دانلود رایگان ترجمه مقاله تشخیص خودکار مقادیر مغلطه جریان خون در مطالعات پرفیوژن CT سرطان ریه – الزویر 2016

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

فهرست مقاله:

چکیده
مقدمه
بحث
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

چکیده
در زمینه ی سرطان شناسی، هدف درمان های ضد آنژیوژنزی، مهار رگ زایی تومور می باشد، رگ زایی تومور به معنی توسعه ی مویرگ های خونی جدید در تومورها می باشد و به آن ها اجازه می دهد که رشد کنند و منتشر شوند و به صورت بالقوه متاستاز دهند. پرفیوژن پرتونگاری محاسبه ای (CTp) یک تکنیک افزایش کنتراست دینامیک می باشد که در چند سال اخیر به عنوان یک روش امیدبخش برای ارزیابی چنین درمان هایی و همچنین پاسخ تومورها پدیدار شده است، چون تغییرات عملکردی جلوتر از تغییرات مورفولوژیکی می باشند و برای مشهود شدن آن ها زمان زیادی لازم است. به هرحال چندین موضوع، مانند جنبش بیمار و چندین نوع از آرتی فکت ها، اندازه گیری های کمی را به خطر می اندازند که این موضوع از کاربرد CTp در کلینیک های استاندارد ممانعت می کنند. این مقاله یک روش اتوماتیک ارجینال (اصلی) را ارائه می کند که بر اساس آنالیزهای مبتنی بر voxel منحنی های غلظت – زمان می باشد که تاکید روی ساختارهای فیزیولوژیک، مانند رگ ها، نایچه ها یا آرتی فکت ها را ممکن می سازد و می تواند محاسبه ی نهایی مقادیر پرفیوژن جریان خون در مطالعات CTp سرطان ریه را تحت تاثیر قرار دهد. مهار خودکار این مقادیر گمراه کننده نشان دهنده ی یک مرحله در جهت یک CTp کمی و استفاده روتین آن در کلینیک ها می باشد.
کلمات کلیدی: تصویربرداری کمی. آنالیز خطا. پردازش تصویر، آرتی فکت های تصویربرداری، سرطان.
مقدمه:
در سال های اخیر پرفیوژن پرتونگاری محاسبه ای (CTp) علاقه زیادی را برانگیخته است که به دلیل ظرفیت آن در ارائه ی نقشه های عملکردی جزئیاتی مورفولوژیکی تومورها در مراحل مختلف آن ها می باشد که نتایج درمانی یا پاسخ درمانی اولیه درمان های ضد رگ زایی را قبل از اینکه تغییرات مورفولوژیکی مشهود شوند، پیش گویی می کند. این تکنیک که به طور گسترده ای در دسترس می باشد و غیر مهاجم است روی تخمین انتقال عامل تضاد بافتی و روی پارامترهای همودینامیکی متناظر آن تکیه دارد، این پارامترها از آنالیز سیگنال-های منحنی های غلظت – زمان بافتی (TCCs) که ناشی از عامل کنتراست، قبل، حین و بعداز رسیدن به آسیب توموری هستند، به دست می آیند. آن ها می توانند برای تشخیص تغییرات در ساختار رگی خودشان به کار روند که این تغییرات، اشاره به ناهنجاری های ممکن در تامین خون (یعنی، آنژیوژنز تومور) دارند. موانع اصلی که مانع استفاده آن در روش های بالینی استاندارد می شوند، شامل مشکل اندازه گیری در تکرارهای آن و در آخرین آنالیز و اعتبار مقادیر پرفیوژن می باشد. در حقیقت، این از مشکل برای دستیابی به TCCهای معتبر ناشی می شود که به دلیل آرتی فکت های ناشی از تنفس یا غلظت های بالایی از عامل کنتراست می باشد که ممکن است رگه هایی را ایجاد کند یا صداهای جزئی را ایجاد کند که استفاده مکرر از یک مطالعه ی CTp را تحت تاثیر قرار می دهد. به علاوه، رگه ها یا باندهای تیره ممکن است در اثر تشدید پرتو ایجاد شوند (برای مثال، توسط حضور در مجاورت آسیب یک رگ اصلی که با عامل کنتراست جریان دهی می شود). یک توصیف مفصل از آرتی فکت های احتمالی در بررسی CT، نیز در تست CTp برقرار می باشد. درکنار آرتی فکت ها، رگ-ها و نایچه ها که معمولا به صورت دستی از آنالیز پرفیوژن کنار گذاشته می شوند نیز نباید آنالیز بصری نقشه-های رنگ پرفیوژن و محاسبه ی خودکار شاخص های آماری کلی یا موضعی را در مورد مقادیر پرفیوژن به خطر بیاندازند.
به طور کلی، مقادیر پرفیوژن غیر قابل اعتماد (اعتبار) در نقشه های رنگ به سادگی جزء آن هایی در نظر گرفته می شوند که می توانند خارج از محدوده ی پارامترهای فیزیولوژیک قرار بگیرند (برای مثال، ناشی از رگ ها، که توسط تنظیم دستی یک سطح پنجره مناسب شناسایی یا مستثنی می شوند). بنابراین، خطاهای تناسب (شایستگی) TCC و goodness شاخص های تناسب (شایستگی) اساسا برای ارزیابی اعتبار تناسب (شایستگی) مدل شبیه سازی شده ی معین از یک نقطه نظر تئوری در مطالعات پرفیوژن CT ریه یا MRI کبد به جای ارزیابی اعتبار مبتنی بر voxel مقادیر پرفیوژن مورد استفاده قرار می گیرند. فقط اخیرا، برخی افراد تلاش کرده اند که وضوح قابلیت اعتبار TCC را در رابطه با نتایج مطالعات پرفیوژن پیگیری کنندکه نشان دهنده ی روشی برای شناسایی جایی می باشد که خطا در تناسب (شایستگی) یک TCC مطابق با یک مدل فارماکوکینتیکی مشخص می تواند محاسبه ی یک مقدار پرفیوژن صحیح را از پیش قضاوت کند یا حتی مسیری که یک TCC ایجاد می شود را بهبود ببخشد بنابراین تعداد TCCهای جریان یافته ی احتمالی را کاهش می دهد. به هرحال، آن ها خطای تناسب (شایستگی) را با دلایل آن ها و با آرتی فکت های حرکت عمومی و با ساختار آناتومیکی مرتبط نمی کنند.
این کار روش شناسی، یک روش کمی و خودکار جدید را برای تشخیص آن ساختارهای آناتومیکی (رشته ها و نایچه های اصلی) و آن نواحی که تحت بازآرایی CTp و آرتی فکت ها قرار می گیرند و می توانند تفسیر صحیح نقشه رنگ CTp و نهایتا نتیجه بالینی را با مشکل مواجه کنند، ارائه می کند. این روش بر اساس محاسبه ی یک شاخص خطای آماری می باشد که با کیفیت TCCs (به عنوان مثال goodness تناسب (شایستگی)) مرتبط می باشد. توانایی روش ما برای حذف اتوماتیک نواحی گمراه کننده ارزیابی شد و با عملکرد 2 رادیولوژیست 25 ساله مجرب که ساختارهای آناتومیکی و نواحی تحت آرتی فکت را با استفاده از یک صفحه گرافیکی شناسایی کرده بودند و به صورت دستی مرزبندی کرده بودند، مورد مقایسه قرار گرفت. خطای اصلی زمان اجرای دستی ایجاد شده بود و نتایج آن ها روی نقشه های پرفیوژن معین بحث شد. به علاوه، ما میانگین مقادیر پرفیوژن و انحراف استاندارد آن ها و ضریب انحراف (CV)، تغییر قبل و بعداز حذف نواحی قطعه قطعه شده ی خودکار را آنالیز کردیم. در نهایت ما همچنین در مورد برخی مقایسه های معنی دار بین نقشه های رنگ معین به دست آمده با استفاده از روش خودمان و آستانه بندی دستی بر اساس مقادیر BF که معمولا توسط خوانندگان مورد استفاده قرار می گیرد، بحث کردیم.
این مقاله بر طبق زیر سازمان دهی شده است. بخش 2 مواد و روش های به خدمت گرفته شده از تصویربرداری برای ایجاد نقشه های پرفیوژن نهایی را توصیف می کند، از جمله، هیستوگرام خودکار مبتنی بر روش قطعه بندی تصویر که توسط کشف خطاهای goodness تناسب (شایستگی) ایجاد شده بود. بخش 3 انتخاب های ایجاد شده برای ارزیابی نتایج آزمایشگاهی که بعدا در فصل 4 آنالیز می شوند و در بخش 5 بحث می شوند را ارائه می کند. در نهایت نتایج ترسیم شده در بخش 6 گزارش شدند.

بخشی از مقاله انگلیسی:

Abstract

In the oncology field, the anti-angiogenetic therapies aim at inhibiting tumour vascularization, that is the development of new capillary blood vessels in tumours, that allows them to grow and spread and, potentially, to metastasi. Computed tomography perfusion (CTp) is a dynamic contrast-enhanced technique that has emerged in the last few years as a promising approach for earlier assessment of such therapies, and of tumour response, in general, since functional changes precede morphological changes, that take more time to become evident. However several issues, such as patient motion and several types of artefacts, jeopardize quantitative measurements,this preventing CTp to be used in standard clinics. This paper presents an original automatic approach, based on the voxel-based analysis of the time–concentration curves (TCCs), that allows emphasizing those physiological structures, such as vessels, bronchi or artefacts, that could affect the final computation of blood flow perfusion values in CTp studies of lung cancer. The automatic exclusion of these misleading values represents a step towards a quantitative CTp, hence its routine use in clinics.

1. Introduction

In the last years the computed tomography perfusion (CTp) has aroused lively interest because of its capability of providing morphologically detailed functional maps that could find application in monitoring functional activity of tumours at their different stages [1], predicting treatment outcome or early therapeutic response of anti-angiogenetic therapies [2–6], before morphological changes become visible [7]. This widely available and non-invasive technique relies on the estimation of tissue contrast agent delivery, and on the corresponding haemodynamic parameters, which can be derived from the analysis of the tissue time-concentration curves (TCCs) signals generated by the contrast agent before, during, and after reaching the tumour lesion. As such, they can be employed to detect changes in its vascular structure, hinting at possible anomalies in blood supply (i.e., tumour angiogenesis [2,8]). The main obstacles preventing the use of CTp in the standard clinical practice is represented by the difficulty to measure its reproducibility and  in the last analysis, the reliability of perfusion values [9]. In its turn, this arises from the difficulty to achieve reliable TCCs because of motion artefacts due to breathing [10] or a high concentration of contrast agent that may also yield streaking [11] or simulate partial volume effects in the repeated acquisitions of a CTp study. In addition, streaks or dark bands may also originate from beam hardening (for instance, induced by the presence in the lesion’s neighbourhood of a main vessel flooded with contrast agent). A detailed description of possible artefacts in CT examinations, also holding for CTp examinations, can be found in [12,13]. Besides artefacts [14], also vessels [15] and bronchi [16] are usually manually excluded from the perfusion analysis not to jeopardize the visual analysis of perfusion colour maps nor the automatic computation of local or global statistical indexes regarding perfusion values. In general, the unreliable perfusion values in colour maps are simply considered as those being out of range of physiological parameters (for instance, due to vessels [17] and are detected and excluded by manually adjusting an appropriate window level [9]. So far, the TCC fitting errors and goodness of fit indexes have been mainly used to evaluate the reliability of given simulated model fitting, from a theoretical point of view, in lung CT [18] or liver MRI [19] perfusion studies, rather than to assess the voxel-based reliability of perfusion values. Just recently, some works have appeared to try addressing explicitly the reliability of TCCs in relation to the outcome of perfusion studies, suggesting methods to detect where the error in fitting a TCC according to a given pharmacokinetic model could prejudice the computation of correct perfusion values [20] or even to improve the way a TCC is built, so as to reduce the number of possible flawed TCCs [21]. However, they do not associate fitting errors to their causes, if not to generic motion artefacts and, not at all, to anatomical structures. This methodological work presents a novel quantitative and automatic approach to detect those anatomical structures (mainly vessels and bronchi) and those regions undergoing CTp reconstruction and acquisition artefacts, that could compromise the correct interpretation of a CTp colour map and, ultimately, the clinical outcome. The approach is based on the computation of a statistical error index connected to the quality (i.e., goodness of fit) of TCCs. The ability of our method to automatically remove the “misleading” regions is assessed and compared with the performance of two 25-year experienced radiologists who detected, and manually bounded using a graphic tablet, the anatomical structures and the regions undergoing artefacts. The main errors made when operating manually, and their consequences on the definite perfusion maps, are also discussed. Moreover, we analyze how mean of perfusion values and, above, their standard deviation and coefficient of variation (CV), change before and after removing automatically segmented regions. Finally, we also discuss some meaningful comparisons between definite colour maps achieved by using our approach and the manual thresholding on BF values commonly used by readers. The paper is organized as follows. Section 2 describes the materials and the methods employed from image acquisition to building of the final perfusion maps, including the automatic histogrambased image segmentation approach developed by exploiting goodness-of-fit errors. Section 3 presents the choices performed to evaluate the experimental results which are subsequently analysed in Section 4 and discussed in Section 5. Finally, drawing conclusions are reported in Section 6.