За последние 100 лет медицинская визуализация совершила рывок. Отныне можно точнее планировать лучевую терапию при опухолях. Как в будущем врачи смогут рассчитывать оптимальную дозу облучения и что такое квази-КТ, рассказал научный сотрудник лаборатории Philips Research Lab Rus Жоэль Штадельманн.

    Главная

    Рубрики

    Колонка

    Как квази-КТ помогает спланировать высокоточную лучевую терапию

Добавить в закладки 

https%3A%2F%2Fnaked-science.ru%2Farticle%2Fcolumn%2Fkak-kvazi-kt-pomogaet-splanirovat
0
0

Обсудить 0 комм.
823

Выбор редакции

Законы марсианских колоний — какими они будут?

Для начала расскажите, как работает лучевая терапия при лечении онкологических заболеваний и почему часто говорят о ее вреде для здоровья пациентов?

 

— Онкологические заболевания занимают второе место среди причин смерти населения, уступая первенство лишь сердечно-сосудистым патологиям. К настоящему времени разработано множество методов лечения рака, один из наиболее эффективных — лучевая терапия.

 

Этот метод заключается в воздействии на опухоль ионизирующим излучением — электромагнитными волнами рентгеновского или гамма-диапазона — либо потоком элементарных частиц (альфа- и бета-частицы, нейтроны, протоны). К сожалению, такое излучение уничтожает не только раковую опухоль, но и повреждает окружающие здоровые ткани. Такое побочное воздействие наносит вред организму и вызывает множество негативных последствий.

 

 

И как можно снизить воздействие на здоровые ткани?

 

— Одним из способов снижения побочного эффекта от лучевой терапии является точное планирование ее сеанса и «фокусировка» излучения, направляемого на пораженную область. Цель этой процедуры — максимальная концентрация излучения на пораженных клетках и его минимизация воздействия на здоровые ткани. Для этого врачу необходимо рассчитать два важных параметра.

 

Во-первых, требуется рассчитать минимальную дозу излучения, необходимую для эффективного уничтожения раковых клеток. Основные механизмы воздействия ионизирующего излучения на вещество (в том числе на биологические ткани) заключаются во взаимодействии с электронами, которые принадлежат атомам этого самого вещества.

 

Поэтому для оценки требуемой дозы радиации необходимо знать электронную плотность вещества, то есть количество электронов в единице объема. Эта информация может быть получена с помощью компьютерной томографии (КТ), в основе которой лежит поглощение рентгеновского излучения электронами.

 

Во-вторых, необходимо с миллиметровой точностью определить местонахождение опухоли и привязать это к положению ключевых анатомических структур. КТ-снимки, полученные на первом этапе, не позволяют сделать этого, поскольку не обладают достаточным контрастом.

 

А зачастую различные ткани мало различаются между собой. Поэтому для их локализации используется метод магнитно-резонансной томографии (МРТ). Это исследование позволяет визуализировать даже незначительные различия биологических свойств расположенных рядом тканей, провести между ними границу и выделить (сегментировать) опухоль.

 

Отметим, что в основе МРТ лежит явление ядерного магнитного резонанса (ЯМР) на ядрах водорода, и этот метод не предоставляет необходимой информации об электронной плотности. Таким образом, КТ все равно остается необходимым этапом диагностики.

 

Очевидно, что этот подход усложняет организацию процесса лечения. В чем еще состоят его сложности?

 

— Этот подход к планированию лучевой терапии, действительно, имеет несколько недостатков. Так, при КТ-исследовании пациент получает дополнительную дозу рентгеновского облучения. Проведение двух исследований (МРТ и КТ) значительно повышает стоимость подготовки к лучевой терапии.

 

К тому же различия в положении тела пациентов при МРТ и КТ-исследованиях или различия в состоянии внутренних органов (например, МРТ-исследование было выполнено до приема пищи, а КТ — после) во многом усложняют процесс сопоставления результатов диагностики и снижают точность планирования.

 

 

Существует ли решение проблемы?

 

— Чтобы преодолеть это затруднение, была предложена следующая идея. По сути, и МРТ, и КТ характеризуют свойства одних и тех же биологических тканей человека, но на разном уровне: МРТ — на уровне ядер водорода молекул воды, а КТ — на уровне электронов более тяжелых атомов, составляющих эту ткань. Можно ли, зная только одну характеристику, рассчитать другую? Да, это возможно!

 

Химия и физика твердого тела исследуют взаимодействия ядер и электронов атомов уже много лет. Поэтому, казалось бы, такой расчет должен быть легковыполнимым. Однако МРТ и КТ работают на разных химических элементах, поэтому точный квантово-механический расчет КТ снимков по МРТ-изображениям пока не представляется возможным.

 

Поэтому необходимо искать другие, нестрогие методы получения КТ-изображений. Полученные такими нестрогими способами изображения называются квази-КТ и могут быть использованы для составления плана лучевой терапии.

 

— Расскажите подробнее об этом подходе. Как можно создавать одно изображение из другого?

 

— Раньше для решения задачи перевода МРТ в квази-КТ использовались статистические методы. Они заключаются в предположении, что если МРТ изображения одной и той же части тела двух различных пациентов схожи, то схожими должны быть и соответствующие КТ-изображения. Поэтому, набрав большую базу знаний из парных МРТ и КТ-снимков, можно по одиночному МРТ-снимку делать предположения о том, как будет выглядеть соответствующий КТ-снимок.

 

Искусственный интеллект позволяет значительно улучшить качество квази-КТ изображений по сравнению со статистическим подходом. В научно-исследовательской лаборатории Philips Research в Сколково активно развиваются два подхода для решения этой задачи.

 

В первом подходе, который называется «парный» перевод, используются снимки пациентов, прошедших оба исследования — и МРТ, и КТ. Эти снимки тщательно выравниваются между собой, а затем нейронная сеть учится воссоздавать квази-КТ-снимок, увидев лишь МРТ-изображение.

 

При этом в качестве эталона используется настоящий КТ-снимок той же самой области того же самого пациента. Целью такого обучения является создание квази-КТ-изображения, максимально похожего на реальный КТ-снимок. Когда квази-КТ достигает нужного качества, процесс обучения останавливается — и нейронная сеть может воссоздавать КТ-снимки.

 

Исходные МРТ-КТ-изображения и квази-КТ для сравнения / ©Pseudo-CT image generation from mDixon MRI images using fully convolutional neural networks, J. V. Stadelmann; H. Schulz; U. A. van der Heide; S. Renisch

 

Квази-КТ-изображение / ©Pseudo-CT image generation from mDixon MRI images using fully convolutional neural networks, J. V. Stadelmann; H. Schulz; U. A. van der Heide; S. Renisch

 

— Подход кажется простым. Почему им не пользуются во всех больницах?

 

— Такой подход имеет свои недостатки. Во-первых, для обучения любой нейронной сети требуется множество изображений, а доступных и качественных «парных» изображений МРТ и КТ достаточно мало. Во-вторых, обученная нейронная сеть хорошо работает только для той части тела, которую она видела в процессе обучения.

 

Для использования на другой части тела потребуется переподготовка сети. В-третьих, обученная сеть хорошо работает только для того типа МРТ-изображений, на которых она училась. Для другого типа изображений, опять же, потребуется переобучение.

 

А в чем заключается второй подход?

 

— Во втором разрабатываемом подходе, который называется «непарным», используются МРТ и КТ-изображения, полученные от разных пациентов. Это значит, что для обучения можно использовать не только парные МРТ и КТ-изображения пациентов, но любые МРТ или КТ-изображения выбранной области.

 

Поэтому объем доступных данных гораздо больше, а значит, тренировать такие нейронные сети проще. Эта нейронная сеть, которая называется генеративно-состязательной сетью (подробнее о таких сетях было рассказано здесь), состоит из двух блоков. Первый блок предназначен для перевода МРТ-изображений в КТ, а второй — переводит КТ-изображения в МРТ.

 

В процессе обучения используется следующий трюк: на вход сети подается МРТ-изображение, которое переводится первым блоком в квази-КТ-изображение. Затем это изображение поступает на вход второго блока, который переводит квази-КТ-изображение в квази-МРТ.

 

В результате такого процесса должно получиться квази-МРТ-изображение, максимально похожее на исходное, настоящее МРТ-изображение. Также процесс обучения сети выполняется и с другой стороны: настоящее КТ-изображение переводится в квази-МРТ, которое переводится в квази-КТ.

 

Полученное квази-КТ-изображение должно максимально совпадать с исходным КТ-изображением. Этот второй цикл обучения КТ –> квази-МРТ –> квази-КТ позволяет узнать сети, как же должны выглядеть КТ-снимки.

 

Без этого цикла сеть будет переводить МРТ-изображение в психоделические картинки, абсолютно далекие от нужных КТ-снимков. В результате многократного выполнения каждого из этих циклов оба блока нейронной сети выучиваются переводить МРТ в квази-КТ и КТ в квази-МРТ соответственно.

 

Какие, на ваш взгляд, перспективы внедрения такого метода работы с медицинскими изображениями в ближайшем будущем?

 

— Уже сейчас парный подход, разрабатываемый в лабораториях компании Philips, позволяет рассчитать квази-КТ настолько точно, что существующие методы не позволяют отличить его от настоящего. К сожалению, пока «непарный» подход не позволит рассчитать квази-КТ-изображения для таких анатомически сложных структур, как нос.

 

Но для более регулярных органов, таких как головной мозг, этот метод демонстрирует неплохие результаты, достаточные для клинического использования. Таким образом, в будущем методы можно будет распространять и на другие зоны тела.

Источник: naked-science.ru

  • Опубликовано 4. июня 2019
  • Автор: admin
  • Категории: разное
Оставить комментарий

Еще нет никаких комментариев.

Добавить комментарий