ПРОГРАММНЫЕ СРЕДСТВА ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ РАБОТЫ ВРАЧА- ИССЛЕДОВАТЕЛЯ ПРИ АНАЛИЗЕ ДАННЫХ МРТ

Аннотация. В статье представлены методы и средства для поддержки принятия решений врачей- исследователей при анализе областей интереса в данных магнитно-резонансной томографии. Рассматриваются методы изучения движения трансплантированных мезенхимальных стволовых клеток, а также автоматического выделения и анализа зон ишемического поражения мозга лабораторного животного.

Ключевые слова: магнитно-резонансная томография, информативные параметры, мезенхимальные стволовые клетки, пути миграции, объем ишемического поражения.

Введение

Автоматизированное выделение областей интереса и расчета их геометрических характеристик по данным магнитно-резонансной томографии (МРТ) – перспективное направление современных биомедицинских исследований. Областями интереса являются скопления трансплантированных в мозг лабораторного животного (крысы) мезенхимальных стволовых клеток (МСК), а также зоны ишемического поражения головного мозга. На сегодняшний день не существует средств автоматического выделения таких областей [7]. Исследовательский программный комплекс (ИПК) предназначен для поддержки работы врачей-исследователей за счет повышения скорости и качества проводимых экспериментальных исследований. Представлен специализированный графический интерфейс ИПК для решения задач автоматического обнаружения, распознавания областей интереса и расчета их информативных характеристик. Реализована функция когнитивной визуализации, которая позволяет наблюдать выделенные зоны интереса как в 2D-, так и в 3D-формате, что дает возможность всесторонне оценивать текущее состояние головного мозга.

1. Расчет информативных параметров скоплений МСК

Задача автоматического расчета информативных параметров скоплений МСК решается в несколько этапов:

1)   выделение стволовых клеток на последовательности снимков [8];

2)   построение выпуклых оболочек множеств МСК и вычисление их центров тяжести;

3)   формирование траектории движения МСК путем соединения соответствующих центров оболочек с помощью специальной интерполирующей кривой Безье [5];

4)   вычисление скорости передвижения скоплений МСК;

5)   построение трендов (направлений) перемещения скоплений МСК с помощью метода наименьших квадратов (МНК).

В первую очередь решается задача выделения стволовых клеток на одинаковых срезах набора DICOM-снимков, сделанных в разные моменты времени. Скопления МСК распознаются с помощью алгоритма, основанного на эвристических критериях выделения стволовых клеток на сложном фоне [8]. Результат выделения мигрирующих стволовых клеток на одном срезе в хронологическом порядке показан на рис. 1.

Заметим, что срезы, полученные в разные моменты времени, сильно отличаются, поэтому простое вычитание изображений не приводит к адекватному выделению стволовых клеток, что требует разработки новых эффективных методов сравнения [8].

Алгоритм выделения скоплений МСК был взят за основу для одной из функций разрабатываемого графического интерфейса. Врачу предоставляется возможность 3D-визуализации мозга и скоплений стволовых клеток, что позволяет рассматривать ситуацию с разных сторон (рис. 2).

Следующий этап – построение выпуклых оболочек распознанных скоплений МСК и вычисление их центров тяжести. Результат построения оболочек продемонстрирован на рис. 3.

На основе полученных центров тяжести строится траектория движения с помощью специальной параметрической кривой Безье (рис. 4а). Для получения тренда миграции скоплений стволовых клеток применялся метод наименьших квадратов (рис. 4б).

Одновременно с построением траектории вычисляется ее длина и относительная скорость движения МСК. Для удобства длины отрезков измеряются в количестве пикселей. В качестве условной единицы для расчета скорости движения МСК была взята ширина снимка МРТ, которая составила 256 пикселей. Например, для данных рис. 4а длина траектории движения МСК составила 23 пикселя, а отношение длины траектории к длине условной единицы составило 8,98%. Знание времени наблюдения миграции стволовых клеток позволяет дополнительно вычислить относительную скорость перемещения скопления МСК.

1. Расчет характеристик зоны ишемического поражения головного мозга

Разработанный алгоритм позволяет вычислять относительные объемы зон поражения, проводить расчет доли ишемического поражения относительно объема всего мозга.

На первом этапе выделяется область мозга на всех срезах снимка МРТ. Эта задача решается с помощью вспомогательного алгоритма, который использует в качестве входных данных результат работы утилиты BET (Brain Extraction Tool) [2,5,7]. На рис. 5 представлены примеры выделения области мозга на разных срезах.

В процессе выделения на срезах области мозга вычисляются площади, которые в данном случае определяются количеством пикселей, содержащихся в выделенных зонах.

Второй этап – выделение зоны ишемического поражения на срезах снимка МРТ. Для выделения зоны ишемического поражения применяется метод [9], основную часть которого составляют алгоритм выделения характерных признаков (в данном случае, текстурных признаков Харалика [1,3]) и классификатор на базе обобщенного расстояния Евклида-Махаланобиса [4,6]. Примеры выделения приведены на рис. 6.

На третьем этапе на основе выделенных ранее областей строится 3D-модель мозга и ишемических поражений. Модель визуализируется средствами графического интерфейса (см. рис. 7).

Четвертый этап – вычисление относительных объемов выделенных областей интереса. Представим зоны интереса на отдельных срезах в виде многоугольников. Тогда объем модели, представленной набором усеченных пирамид, определяемых множеством упорядоченных срезов, измеряется по формуле

здесь 𝑛– количество срезов в рассматриваемом снимке МРТ, ℎ – расстояние между срезами, 𝑆i – площадь области интереса (мозга или ишемического поражения) на i-ом срезе. Предложенная модель применяется для вычисления объема, как головного мозга, так и ишемического поражения. На рис. 8 приведены экспериментальные данные.

В соответствии с проведенными экспериментами доля ишемического поражения относительно объема мозга составила в конкретном случае 11,42%.

Заключение

Разрабатываемый программный комплекс автоматического поиска, выделения и 3D-визуализации зон интереса предоставляет возможности для углубленного изучения свойств МСК за счет вычисления информативных параметров, таких как распределение, скорость перемещения МСК и процентное отношение ишемического поражения к объему мозга. Программный комплекс создает условия для составления карт миграции стволовых клеток и позволяет изучить их поведение при трансплантации в головной мозг, пораженный ишемией. Работа выполнена при частичной финансовой поддержке проектов РФФИ №16-29-07116-офи_м, 17-37-50001-мол_нр и 17-29-07002-офи_м.

Список литературы

1.   Abbadi N.K., Dahir N.S., Alkareem Z.A. Skin texture recognition using neural networks // Proc. Int’l Arab Conf. on Information Technology, 2008. – P. 1-4.

2.   Brain Extraction Tool. URL: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET (дата обращения: 14.12.2017).

3.   Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics, 1973. Vol.3. – P. 610-621.

4.   Khachumov M. V. Distances, Metrics and Cluster Analysis // Scientific and Technical Information Processing, 2012, Vol. 39, No. 6, pp. 310–316.

5.   Fralenko V.P., Shustova M.V., Khachumov M.V., Khachumov V.M. Isolation and tracking of transplanted mesenchymal stem cells on MRI images. – Материалы Второй Российско-Тихоокеанской Конференции по Компьютерным Технологиям и Приложениям (RPC 2017) (Владивосток, 25-29 сентября 2017 г.), 2017.

6.   Амелькин С.А., Захаров А.В., Хачумов В.М. Обобщенное расстояние Евклида-Махаланобиса и его свойства. – Информационные технологии и вычислительные системы, №4, 2006, с.40-44.

7.   Фраленко В.П., Хачумов М.В., Шустова М.В. Анализ инструментальных средств обработки и визуализации биомедицинских данных магнитно-резонансной томографии (обзор литературы). – Вестник новых медицинских технологий, №4, 2016, с.307-315.

8.   Фраленко В.П., Хачумов М.В., Шустова М.В. Выделение и когнитивная визуализация трансплантированных мезенхимальных стволовых клеток на снимках магнитно-резонансной томографии. – Искусственный интеллект и принятие решений, №3, 2017, с.10-20.

9.   Фраленко В.П., Хачумов М.В., Шустова М.В. Инструментальные средства автоматического поиска и визуализации зон интереса в данных МРТ для поддержки принятия решений врачей- исследователей. – Искусственный интеллект и принятие решений, №4, 2016, с.27-37.