Шкала Хаунсфилда тесно связана с компьютерной томографией (КТ), которая широко используется в диагностике различных заболеваний. КТ была разработана в 1972 году, в её основе лежит метод создания снимков поперечного сечения частей тела. Учёные Hounsfield G.N. и Cormack А.М., разработавшие революционную методику исследования, в 1979 году получили Нобелевскую премию.
Действие КТ основано на рентгеновском излучении. Пациент, находящийся внутри КТ-оборудования, поддаётся круговому воздействию веерообразных пучков лучей. Они проходят через человеческое тело под разными углами, и после их интенсивность фиксируется специальными датчиками. Для удержания Х-излучения в изучаемом слое тканей применяют коллиматоры – устройства для получения пучков параллельных лучей (ионизирующих или световых). Благодаря этой технологии можно исследовать слои толщиной всего в несколько десятых долей миллиметра.
В результате образуются рентгеновские снимки поперечного сечения. Поскольку разные анатомические структуры организма по-разному ослабляют рентгеновское излучение, для удобства их различения имеются единицы Хаунсфилда (рус. Н, англ. HU), из которых составлена соответствующая шкала.
Определение и главные особенности шкалы Хаунсфилда
Шкала денситометрических показателей, которая известна как шкала Hounsfield, представляет собой усреднённые данные плотности разных составляющих. Используется для количественного и визуального оценивания органов, материалов и некоторых веществ. На снимке чем темнее изображение – тем плотнее ткань, чем светлее, вплоть до белого – тем меньшая плотность исследуемой части тела.
Середина шкалы находится на 0 и указывает на плотность воды. Далее в отрицательную сторону уходят показатели жировой ткани и воздуха, а в положительную – всех мягких тканей и костей. В общем единицы Хаунсфилда при компьютерной томографии охватывают от -1024 до +1024. На практике, при применении разных аппаратов, этот диапазон может быть другим.
Поскольку показатели являются среднестатистическими, а гистолого-анатомическая структура тканей может заметно различаться, определить с высокой достоверностью, какая именно ткань видна, не всегда получается. Например, органы с большим включением жировой ткани могут своей плотностью определяться как вода.
Изменение окна изображения
Компьютерное оборудование может распознавать различное количество градаций серого цвета. Обычный томограф – около 256, более современный – более 1000 градаций. Поскольку чёрно-белый спектр таблицы компьютерной томографии довольно большой, современные мониторы не могут отобразить весь его диапазон. Для решения этого вопроса применяется программный перерасчёт серого градиента относительно того, какой именно интервал шкалы интересует.
Существует несколько способов применения чёрно-белого спектра снимков.
- Широкий диапазон («окно») денситометрических данных – на изображении показываются все структуры, которые смог зафиксировать томограф, но близкие по плотности части трудно поддаются оценке.
- Узкое «окно», которое, в зависимости от исследуемой структуры, ещё может называться «мягкотканное окно», «лёгочное окно» и прочие – широкий охват денситометрических данных становится невозможным, поскольку плотность структур, выходящих за пределы установленного «окна», не может быть изучена. Вместо этого те части тела, плотность которых близка, хорошо отображаются.
Таким образом, ширина и центр окна в какой-то мере сравнимы с коррекцией контраста и яркости картинки соответственно. Дело в том, что любое значение ниже минимальной границы шкалы на картинке отображается в чёрном цвете, выше максимальной – в белом. Если сместить центр окна и его границы, можно получить детальное изображение интересующего объекта. Например, если центрировать окно в точке 300 Н и задать ширину 400 Н, можно хорошо рассмотреть мягкие структуры, а вот кости будут абсолютно неразличимы.
Средние денситометрические показатели
Представляемые ниже единицы Хаунсфилда, используемые во время исследования томографом, позволяют ориентироваться в плотности различных тканей.
Плотность тканей по шкале Хаунсфилда при компьютерной томографии:
- воздух – -1000 Н;
- лёгочная ткань – от -900 до -750 Н;
- жир – от -120 до -50 Н;
- молочная железа – от -100 до -50 Н;
- кожа – около 0 Н;
- спинномозговая жидкость – 0-8 Н;
- вода – от 0 до 10 Н;
- головной мозг – 2-30 Н, в том числе серое мозговое вещество – 36-46 Н, белое – 22-32 Н;
- надпочечник – 5-20 Н;
- поджелудочная железа – 5-40 Н;
- мочевой пузырь – 10-35 Н;
- печень – 14-70 Н;
- сердце – 15-60 Н;
- мышечная ткань – 20-70 Н;
- свежее тромботическое образование – 20-90 Н;
- почка, селезёнка – 30-50 Н;
- кровь – 35-65 Н;
- кость – 800-3000 Н.
Читайте также: Нейлоновая ткань это какая ткань
Плотность патологических образований отличается от нормальной плотности структур, в которых они находятся. Это находит своё отражение на полученной томограмме. Причём, опухолям разных типов тоже свойственна разная интенсивность окрашивания, например:
- невринома – 15 Н;
- глиома – 34-54 Н;
- менингиома – 46-52 Н;
- краниофарингиома – 62 Н.
Благодаря особенностям прохождения компьютерной томографии проявляется высокая чувствительность к различным опухолевым образованиям. Например, менингиомы определяются до 98 % случаев, а их специфичность – до 97 %. Только около 4 % заболеваний не регистрируются с помощью данной методики.
Развитие современного компьютерного томографа
Компьютерный томограф современного производства определяется как сложнейшая техника, с различными деталями и механическими узлами, которые выполнены с очень высокой точностью. Кроме генераторов рентгеновского излучения, крайне важную роль играют сверхчувствительные детекторы. Для их производства используются самые качественные материалы, совершенствование которых не прекращается.
Немалую часть томографа также занимает программное обеспечение, проводящее диагностику по заданным параметрам, сбор, обработку и анализ изображений КТ. Стандартный пакет программного обеспечения может быть расширен узкоспециализированными приложениями, исходя из специфики применения оборудования.
Совершенствование КТ-оборудования непосредственно связано с детекторами, число которых от модели к модели возрастает, а, вместе с этим, улучшается качество получаемого КТ-изображения.
Постепенно ускорялся процесс переработки машиной информации. Если первая модель, выпущенная в 1973 году, обрабатывала каждый слой изображения около 4 минут, то 3-го и 4-го поколений – 0,7 секунды. С математической точки зрения построение картинки представляет собой решение системы линейных изображений. Так, для получения томограммы размером 300×300 пикселей надо решить 90 000 уравнений. Компьютерная программа решает их с применением методов параллельного вычисления.
Первые томографы были поступательные, а в дальнейшем разработали спиральную и даже многослойную компьютерную томографию. Постепенно были введены в медицину томографы с двумя источниками радиоактивных лучей. Ещё больше ценной информации врачи смогли получать при использовании контрастного усиления и КТ-ангиографии, то есть когда в кровь вводилось контрастное вещество, и далее выполнялось сканирование.
Мышечная ткань по шкале хаунсфилда имеет плотность
При исследовании позвоночника с целью диагностики грыж межпозвонковых дисков, внутримозговых опухолей спинного мозга и других процессов используют как компьютерную, так и магнитно-резонансную томографию. При этом МРТ является более предпочтительным методом исследования, так как позволяет визуализировать мягкие ткани с высокой контрастностью. Наиболее часто, для диагностики получают Т1-, Т2-взвешанные изображения.
При работе с МРТ изображениями заключение врача-рентгенолога строится на визуальном сравнении окружающих тканей на снимке, а применяемые методы оценки основываются на различиях в контрасте, размерах и пространственном положении патологий на изображении. Такой подход может привести к неверной интерпретации данных и, как следствие, к неправильному диагнозу, из-за схожести визуальной МРТ картины для разных патологий или различий визуальной картины органов в норме, полученной с разных томографов. Данные, подтверждающие возможные ошибки в интерпретации визуальной МРТ картины, были приведены во многих работах [1–2].
Одной из составляющих, ограничивающей методы оценки для диагностики по классической МРТ (позволяющей получать Т1-, Т2-взвешанные изображения), является то, что интенсивность пикселя на изображении зависит не только от биофизических свойств ткани, но и от примененных протоколов и времен захвата (TE, TR) при настройке томографа [3]. Протоколы и времена захвата различаются у разных производителей томографа, а также могут быть изменены лаборантом по усмотрению врача-радиолога. В связи с этим интенсивность пикселей на полученном изображении, отраженная в оттенках серого (grey value), может сильно различаться для одного пациента, обследованного на разных томографах.
В связи с численным различием интенсивности пикселей на снимках МРТ, полученных с разных томографов, для врача-радиолога МРТ изображение предоставляет только качественную информацию. Значения интенсивности не позволяют численно оценивать области интереса на снимке и сравнивать численные значения интенсивности между разными пациентами, или со значениями для ткани в норме и при патологии.
Для повышения точности постановки диагноза по МРТ изображениям врачу-радиологу, к качественной информации о различии контраста (в терминах гипер-, гипо-интенсивный) и пространственному положению, необходимо ввести количественный признак [4]. Такой признак должен оцениваться как характеристика ткани в норме и при патологии. Задача получения количественного признака на основе интенсивности пикселей МРТ изображения не является тривиальной и требует решения нескольких локальных задач.
Читайте также: Увеличение лимфоидной ткани глотки
Для применения в диагностике количественные признаки должны быть воспроизводимы, то есть измеренные параметры должны определяться взаимной близостью, при исследованиях, выполненных с различными условиями, такими как разные фирмы томографов и различные времена захвата, и импульсные последовательности. Как было сказано ранее, значения интенсивности, полученные при классических МРТ (Т1-, Т2-взвешанные изображения), различаются между собой в изображениях в зависимости от использования разных настроек томографа. Отсюда следует, что интенсивность пиксела от Т1-, Т2-взвешенных изображений не могут быть использованы в качестве количественного признака в диагностике в чистом виде. Так как воспроизводимость является важным требованием к количественным признакам, то для использования значений интенсивности в качестве оценочного признака необходимо осуществить обработку, направленную на восстановление интенсивности относительно параметров томографа. Проблема, связанная с восстановлением интенсивности на МРТ изображениях, осложняется не только многообразием томографов и их настроек, но и изменениями интенсивности, вызванными неоднородностью магнитного поля и нелинейностью градиента.
Другой характеристикой количественного признака является его способность идентифицировать патологический процесс, путем сравнения численных значений с принятыми нормами для здоровой или поражённой ткани. В ходе литературного обзора были найдены шкалы классификации патологического процесса, при диагностике по МРТ изображениям. Они основаны на разности контраста (в терминах гипер-, гипоинтенсивный) в сочетании с формой и размером образования. Данные шкалы являются визуальными и ни одна из них не использует численные значения интенсивности МРТ изображения. Таким образом, из-за того, что значения интенсивности численно не соотносятся с стандартизированной оценочной шкалой, необходимо рассмотреть методы сопоставления восстановленной интенсивности МРТ с значениями, нормированными по оценочной шкале. В данной работе предлагается сопоставлять восстановленную интенсивность МРТ с радиологическими свойствами ткани, такими как коэффициент ослабления рентгеновского излучения с последующей их привязкой к оценочной шкале Хаунсфилда.
В качестве примера, в компьютерной томографии на этапе диагностики врач-радиолог, помимо качественной информации о визуальной картине патологической области на снимке и ее пространственном расположении, имеет возможность получить дополнительный признак, выполнив количественные измерения, заключающиеся в определении плотности в единицах шкалы Хаунсфилда [5]. Каждой здоровой ткани (органу) в теле человека или патологии ставится в соответствие определенный диапазон плотностей в единицах шкалы Хаунсфилда, тем самым у врача-радиолога появляется дополнительная опора при постановке диагноза.
В соответствии с поставленными критериями к количественному признаку, для использования значений интенсивности от МРТ изображений в качестве дополнительного диагностического признака, необходимо решить две группы задач:
– уменьшить влияние томографа и его настроек на изменчивость интенсивности, а также устранить артефакты неоднородности магнитного поля и нелинейности градиента, которые вносят изменения в интенсивность;
– получить модель перевода МРТ данных в другую модальность, путем сопоставления восстановленной интенсивности МРТ с рентгенологической плотностью (от КТ), используя методы математической статистики.
Модель перевода модальности. При МРТ и КТ исследовании сканируется один и тот же объект, однако сигналы, зарегистрированные с МРТ, не соответствуют значениям, полученным в результате КТ. Интенсивности МРТ коррелируют с плотностью протонов и временами магнитной релаксации, но не коэффициентом ослабления рентгеновских лучей. Отсутствие соответствия между интенсивностью МРТ и рентгенологическими свойствами ткани приводит к необходимости рассмотрения подходов математической статистики по сопоставлению результатов исследования КТ и МРТ.
В ходе литературно-аналитического обзора были проанализированы подходы к сопоставлению данных от медицинских изображений разной модальности. Целью таких подходов является как определение общих свойств или различий между исследуемой областью интереса, так и установление зависимости между ними по выбранному признаку.
Рассмотренные подходы к сопоставлению и установлению зависимости можно разделить на следующие:
1 подходы, основанные на сегментации областей интереса со статическим распределением значений;
2 подходы, основанные на использовании атласов;
3 подходы, основанные на методах обучения нейронных сетей;
4 подходы, основанные на функции отображения.
Подход на основе сегментации
Данный подход заключается в сегментировании изображения по разным типам тканей и назначении сегментированным областям заранее определенных значений. В частности, по результатам сегментации МРТ изображения каждой сегментированной области может быть назначено значение в единицах Хаунсфилда. Подход на основе сегментации рассмотрен в работах [6–7]. Такой подход ограничивается областью применения из-за сложности анатомической структуры в теле человека. Также такой подход действителен лишь для небольшого значения типов тканей с ранее известными значениями плотности Хаунсфилда и не обеспечивает определение значений для несегментированных структур.
Читайте также: Оборудование для ремонта ткани
Подход на основе использования атласов
Данный подход заключается в наличии базы данных с набором изображений, полученных при разном виде неинвазивного исследования. В ходе такого подхода выполняется поиск наиболее схожего атласа в базе данных, по морфологическим признакам [8–9]. В отличие от методов сегментации рассмотренных ранее, подход основанный на атласах, позволяет назначить не заранее установленный диапазон значений плотности для выбранной области, а множество значений из схожего клинического случая, входящего в набор атласа. Недостатком такого подхода является необходимость использования большой базы данных изображений от разных исследований и решения задач арбитража между несколькими схожими снимками из атласа.
Подход на основе методов обучения нейронных сетей
Использование методов машинного обучения в рамках рассматриваемых подходов заключается в выявлении закономерностей между наборами данных, путем обучения на прецедентах, на основе ранее рассмотренных медицинских изображений. Такой подход может использоваться для определения вероятности нового значения для каждого пикселя. Подходы на основе машинного обучения различаются в соответствии с используемыми алгоритмами обучения [10–11]. Достоверность подходов на основе машинного обучения определяется наличием большого количества учебных данных, а также правильного подбора учебных данных и эффективности обучения.
Подход на основе функции отображения
Подход на основе функции отображения заключается в расчете и применении функции для преобразования значений интенсивности. Данный подход состоит в попиксельном присвоении интенсивности МРТ новых значений, таких как электронная плотность. В таком подходе применяются методы математической статистики для описания зависимости данных на небольшой выборке и использование полученной зависимости к данным, не вошедшим в выборку. В работе Rank CM et al. [12] был рассмотрен метод анализа дискретной функции, заключающийся в прогнозировании одной категориально-зависимой переменной к одной или нескольким независимым переменным. Метод регрессии на основе смесей распределения был рассмотрен в работах [13]. В данной работе в качестве функции распределения была выбрана гауссова функция. Точность полученных результатов напрямую зависит от количества выбранных смесей и правильности поиска экстремума в целевой функции. Такие методы не берут во внимание пространственное положение, а действуют пиксель за пикселем.
Для решения задачи по переводу данных в новую модальность, к подходам, по сопоставлению восстановленной интенсивности МРТ с плотностью в единицах Хаунсфилда, предъявляются следующие критерии:
1. Область применения (ОП) – критерий определяет применимость подхода для одной отдельной выделенной области интереса или нескольких.
2. Объём обучающей выборки (ООВ) – критерий, определяющий количество необходимых исходных данных для произведения настройки (оптимизации параметров) модели зависимости.
3. Ресурсоемкость (Р) – критерий, определяющий количество данных, хранимых в памяти компьютера и используемых для получения результата.
4. Сложность реализации (СР) – критерий, определяющий сложность алгоритмического описания рассматриваемого подхода.
5. Точность подхода (ТП) – критерий, определяющий возможность определить достоверность полученных результатов.
В ходе оценки рассмотренных подходов по сопоставлению данных МРТ данным КТ, при парных сравнениях использовалась шкала словесных определений уровня важности.
Общая картежная модель оценки аналогов (ОА) методов к сопоставлению данных от медицинских изображений разной модальности:
где О – оценка; R – матрица связей.
Область применения. Данный критерий будем оценивать по двухбалльной шкале:
Объём обучающей выборки. Данный критерий будем оценивать по трехбалльной шкале:
Ресурсоемкость. Данный критерий будем оценивать по двухбалльной шкале:
Сложность реализации. Данный критерий будем оценивать по трехбалльной шкале:
Точность подхода. Данный критерий будем оценивать по двухбалльной шкале:
Таким образом формула для оценки аналогов принимает вид
+ (2)
где αi – весовой коэффициент i-го критерия.
Оценка производилась с использованием методики Томаса Саати. Итоговая оценка рассмотренных групп подходов по критериям представлена в таблице.
Оценка подходов сопоставления данных МРТ и КТ по критериям
- Свежие записи
- Балкон в многоквартирном доме: является ли он общедомовым имуществом?
- Штраф за остекление балкона в 2022: что это и как избежать наказания
- Штраф за мусор с балкона: сколько заплатить за выбрасывание окурков
- Оформление балконного окна: выбираем шторы из органзы
- Как выбрать идеальные шторы для маленькой кухни с балконом
- Правообладателям
- Политика конфиденциальности
Мастерица © 2023
Информация, опубликованная на сайте, носит исключительно ознакомительный характер
