Как квази-КТ помогает спланировать высокоточную лучевую терапию
17 минут
Philips

Как квази-КТ помогает спланировать высокоточную лучевую терапию

5.1

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.

Как квази-КТ помогает спланировать высокоточную лучевую терапию / ©Пресс-служба Philips Research

— 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.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.
Philips
9 статей
Компания была основана в 1891 году и за свою историю несколько раз меняла приоритетное направление деятельности: изначально выпускала электрические лампочки, затем переключилась на бытовую электронику, после 2000-х годов начала специализироваться на медицинском диагностическом оборудовании.
Сегодня, 10:59
39 минут
Александр Березин

На протяжении многих лет ученые пытались найти загадочные частицы темной материи – вимпы. Последние исследования показывают, что они вряд ли существуют. Однако неожиданные открытия 2016-2020 годов указывают: темная материя вполне может обойтись и без единой новой частицы. Только вот природа ее совсем не такая, как ожидалось. Более того: если все так, то наша Вселенная – циклическая. Такая Вселенная-феникс могла уже не раз пройти через сменяющие друг друга циклы расширения и сжатия. Попробуем разобраться, в чем тут дело.

Позавчера, 12:36
4 минуты
Сергей Васильев

Новые наблюдения уточнили минимальную массу звезд, в недрах которых может проходить синтез ядер углерода.

Позавчера, 18:17
4 минуты
Мария Кривоченко

Несмотря на ослабление ограничительных мер, риск заболеть Covid-19 все еще велик, считают российские вирусологи. Они составили список мест, где появляться сейчас особенно опасно.

6 июля
5 минут
Мария Азарова

Ученые, работающие с крупнейшим в мире радиотелескопом, сообщили об обнаружении эмиссии нейтрального водорода, исходящей от объектов за пределами нашей Галактики.

5 июля
26 минут
Илья Ведмеденко

Новый БПЛА С-70 «Охотник» может стать главным российским проектом в сфере боевой авиации. Но сначала ему нужно подтвердить свою пользу.

7 июля
3 минуты
Сергей Васильев

Моделирование показало, что планеты класса мини-нептунов могут быть покрыты океаном воды в состоянии сверхкритического флюида — промежуточном между обычной жидкостью и газом.

6 июля
5 минут
Мария Азарова

Ученые, работающие с крупнейшим в мире радиотелескопом, сообщили об обнаружении эмиссии нейтрального водорода, исходящей от объектов за пределами нашей Галактики.

1 июля
5 минут
Мария Кривоченко

Один из детекторов Большого адронного коллайдера обнаружил новую частицу, состоящую из четырех очарованных кварков. Физики полагают, что это первый представитель неописанного класса частиц.

27 июня
8 минут
Sergei Sobol

Уроки астрономии вернулись в российские школы в 2018 году. За то время, пока эта наука была необязательным предметом, в ней произошло много событий, не все из которых нашли отражение в учебниках. Кроме того, в них и раньше не были упомянуты многие интересные факты.

[miniorange_social_login]

Комментарии

Написать комментарий

Подтвердить?
Лучшие материалы
Предстоящие мероприятия
Войти
Регистрируясь, вы соглашаетесь с правилами использования сайта и даете согласие на обработку персональных данных.

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: