CC BY
25
УДК 616.831-073.756.8-073.86 https://doi.org/10.20538/1682-0363-2021-2-191-201
Диффузионные данные магнитно-резонансной томографии: разработка методологии и инструментов использования в диагностике и лечении заболеваний головного мозга
Уразова К.А.1, 3, Горлачёв Г.Е.2, Черняев А.П.3, Голанов А.В.1
1 Научный медицинский исследовательский центр (НМИЦ) нейрохирургии имени академика Н.Н. Бурденко Россия, 125047, г. Москва, 4-я Тверская-Ямская ул., 16
2Научный медицинский исследовательский центр (НМИЦ) онкологии имени Н.Н. Блохина Россия, 115478, г. Москва, Каширское шоссе, 24
3 Московский государственный университет (МГУ) имени М.В. Ломоносова Россия, 119991, г. Москва, Ленинские горы, 1/2
РЕЗЮМЕ
Использование различных карт количественных характеристик диффузии несет в себе большой потенциал для медицинской диагностики и терапии патологии головного мозга, так как позволяет классифицировать опухоли, определять степень их злокачественности, дифференцировать различные морфологические структуры опухолевых и неопухолевых патологических процессов (таких как строма опухоли, зоны некроза, кисты, различные виды отека и т.д.), прогнозировать течение и исход заболеваний, в частности клинический ответ на проведенное лечение. На основе диффузионно-взвешенной томографии возможна реализация трехмерной реконструкции волокон белого вещества головного мозга, называемая трактогра-фией. Помимо уникальной возможности визуализировать расположение трактов относительно интракра-ниальных патологических изменений, данная технология позволяет строить и анализировать комплексные карты сложных сетей связей в головном мозге (коннектомика).
Обзор посвящен обсуждению физико-технической концепции диффузионно-взвешенной томографии, ключевых направлений применения в случае опухолевых и неопухолевых процессов, а также проблем, затрудняющих процесс корректной интерпретации результатов. Так как в настоящий момент остается актуальной задача применения программного обеспечения для работы с диффузионными показателями магнитно-резонансной томографии, то в представленном обзоре показан собственный опыт разработки приложения в рамках проекта по созданию эффективных методик интерпретации диффузионных данных и построению трактов белого вещества головного мозга.
Ключевые слова: магнитно-резонансная томография, диффузионно-взвешенная томография, трактогра-фия, головной мозг, нейронауки.
Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Источник финансирования. Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (проект № 19-32-90198).
Для цитирования: Уразова К.А., Горлачёв Г.Е., Черняев А.П., Голанов А.В. Диффузионные данные магнитно-резонансной томографии: разработка методологии и инструментов использования в диагностике и лечении заболеваний головного мозга. Бюллетень сибирской медицины. 2021; 20 (2): 191-201. https://doi. org/10.20538/1682-0363-2021-2-191-201.
* Уразова Ксения Александровна, e-mail: kurazova@nsi.ru
Diffusion magnetic resonance imaging data: development of methods and tools for diagnosis and treatment of brain diseases
Urazova K.A.1, 3, Gorlachev G.E.2, Chernyaev A.P.3, Golanov A.V.1
1 N.N. Burdenko National Scientific and Practical Center for Neurosurgery 16, 4>h Tverskaya-Yamskaya Str., Moscow, 125047, Russian Federation
2 N.N. Blokhin National Medical Research Center of Oncology 24, Kashirskoye Highway, Moscow, 115478, Russian Federation
3 M.V. Lomonosov Moscow State University
1, Leninskie Gory, Moscow, 119991, Russian Federation
ABSRACT
The use of quantitative mapping of diffusion characteristics carries great potential for diagnosis and therapy of brain diseases, since it potentially allows to classify tumors, determine the degree of their malignancy, differentiate various morphological structures of tumor and non-tumor pathologies (such as tumor stroma, necrotic zones, cysts, various types of edema, etc.), and predict the course and outcome of diseases, in particular, a clinical response to treatment. Based on diffusion weighted magnetic resonance imaging (MRI), it is possible to perform 3D modeling of the white matter pathways of the brain, which is called tractography. In addition to a unique ability to visualize the location of tracts in relation to intracranial pathologies, this technology allows to build and analyze complex maps of communication networks in the brain (connectomics).
The review is devoted to the discussion of the physical and technical concept of diffusion weighted MRI, the key ways of its application in tumor and non-tumor processes, and problems that complicate correct interpretation of results. Since the problem of developing software for diffusion MRI data remains relevant, this review presents our own experience in developing an application as part of a project on creating effective methods for processing diffusion MRI data and modeling white matter tracts.
Key words: magnetic resonance imaging, diffusion weighted magnetic resonance imaging, tractography, brain, neuroscience.
Conflict of interest. The authors declare the absence of obvious and potential conflicts of interest related to the publication of this article.
Source of financing. The study was supported by the Russian Foundation for Basic Research (project No. 19-3290198).
For citation: Urazova K.A., Gorlachev G.E., Chernyaev A.P., Golanov A.V. Diffusion magnetic resonance imaging data: development of methods and tools for diagnosis and treatment of brain diseases. Bulletin of Siberian Medicine. 2021; 20 (2): 191-201. https://doi.org/10.20538/1682-0363-2021-2-191-201.
ВВЕДЕНИЕ
Интроскопия является ключевой дисциплиной в медицинской диагностике. Технические достижения как в конструкции томографов, так и в программном обеспечении для них позволили решить существующие проблемы и открыть новые научные направления, которые ранее не могли быть инвазивно изучены на живых людях. В этом контексте диффу-зионно-взвешенная томография (ДВТ) стала широко используемой методикой исследования структуры и функций мозга, поскольку она позволяет проводить измерения ориентации волокон белого вещества в режиме in vivo. Это особенно актуально в областях стереотаксической радиохирургии и нейрохирургии,
где важно оценивать степень вовлечения функционально значимых зон в патологический процесс, при этом в определенных случаях стандартного набора изображений (T1w, T1w с контрастом, T2w, FLAIR и т.д.) может быть недостаточно для того, чтобы дифференцировать различные морфологические структуры при опухолевых и неопухолевых патологических процессах.
ФИЗИКО-ТЕХНИЧЕСКИЕ ОСОБЕННОСТИ ДИФФУЗИОННЫХ ДАННЫХ МАГНИТНО-РЕЗОНАНСНОЙ ТОМОГРАФИИ
ДВТ представляет собой технику магнитно-резонансной томографии (МРТ), дающую информацию
D=±<ir.R> =
о микроскопических смещениях: молекул воды, которые происходят в биологических тканях за счет физической диф фузии .
Пусть вектор г0 - начальное положение частицы в момент време пи 1 = 0, а вехтхр ^ — еве пооледующее положение в момент време ни t = —. Обобщая уратне-ние Эйнштейна [ 1] на случнй анизотропной ср еды, получеем
Дхх £ху Дхг" Дух !>уу Дуг , (1) ..Огх Дгу Дгг.
где Б - тензор, диффузии, вектор показывает пере, мещение чтстицы. Можно показать, что этот тензора второро ртнга является симметричным и колржи-тельно определенным, а также то, что его собственные значения вещественны.
Для вычисления кензоро днффузии БК(о) некб-ходимо получить несколько ДВТ к различных не-коллинекрнрн: нтнравлениях орадиента (1 = 1, ..., N [2]. В общем виде те нзор диффузии может быть рассчитан путем решения следующей системы уравнений:
Sfc(r) = 5о(г)е
'^РЫще-
,оде jgrjfe
gfc
(2)
где S-(r) - сигнал в отсутствие диффузионных градиентов (т.е. е-11 = 0).
Коэффициент > - это так назыыдемыгй ¿-фактор, введенныый х рэаботе [3] и определенный icaic
^А: = 'К2*?2 (/3 — ||0) 2
(3)
гте у — гиромагнитное огношение водорода (42,5 8 МТц/Тл), 5 - длитгльностп сиднале, А — время между приложением этих импулосов.
Пиотиость распределения ((r|r0 т) для анизотропной треды
'"■О"
Р(Г
*о,т) =
(г-г0)7".Р^1(г-г0)
V (4тгт)3 |D|
(4)
Также, поскольку —11 разлхчныс, то с но выфазить следующим образом:
Ье = =5((Л—f)||rf,
-фаытор мож-
( 5 )
Сис темау уравне2ий (2) удобнее переписать в виде
(ih*)2 О^2
2<6);/лс<?72.г(
fc)2
2,9:1у ¿7)z 2£)2у,Ц2г
(¿iz)2
; «е^ы
АпДг)
A^ÖO
öyyW
öyz«
özz(r)J
I
G
Если получено больше шести направлений, то систему уравнений (6) можно решить, использвя при-ближенне наименьших квадратов. К примпру, если использовать линейное невзвешенное приближение наименьшнн квадратов, то
D(r) = (GT • G)_1 • GT • ß(r). (7)
В диффизионно-теазорной томографии (ДТТ) предполагается [4], что рнспределение молекул, подверженных диффузии, характеризуатся вой условной плотностью вероятности/>(r|r0, г), даваемой выаражением (4). Таким образом, D мвжвт б5ь.1ть связан с эллипсоидам, кпторый является изоаоверх-ностью плотности вероятности диффузии молекулы>1. Ввиду того, что D - симметричный положительно определенный тензор второго ранга, он может быть разложен на собственные векторы (которые образуют ортогональный базис) и на вещественные собственные значения[5]
D = Е • Л • Е~ 1, (8))
D( г)
Е = Се> е2 °3( цЛ =
-iin^)! b Si(r)
iln5f) b s2(r) (62
-ь 5w(r)j 1 1
1 B(r)
0 0 0-
0 ¿2 r
0 0 Ab-I
(9)
РАБ О ТА С ДИФФУЗИОННЫМИ ДАН Н Ы МИ
Разработка методологии и инструментов работы с дифрузионныши данными МРТ преднвлииает всестороннее ^асхсимаотррхгнЕвие; нееоольких аспектов.
В данном разделе ключевысми вопросами являются следующие: Для чего использовкть диффузионные изображения? Какими возможностями они обладают? Кткую ияформоцию можно толучоггь с их: помощью наряду с другими модальностями МРТ?
ДВТ ПРИ ИССЛЕДОВАНИИ ОПУХОЛЕВЫХ ПРОЦЕССОВ
Благодаря обработке диффузионныгс исследований и анализу их параметров (измеряемого коэффициента диффузии (ИКД), фракционной анизотропии (ФА), среднего коэффициента диффузии и т.д.) со-
вместно с другими доступными для конкретного пациента модальностями МРТ, имеется возможность неинвазивно:
1. Классифицировать новообразование или процесс.
Лимфома центральной нервной системы (ЦНС) часто демонстрирует более низкий ИКД [6—9], чем другие, потенциально похожие по сигналу на анатомических МРТ образования, такие как глиаль-ные опухоли, метастазы или инфекционные поражения.
Некоторые из наиболее распространенных опухолей головного мозга у детей существенно различаются по своим диффузионным свойствам, что может быть полезно при дифференциальной диагностже. В частности, медуллобластомы, как правило, имеют значительно более низкий ИКД [10], чем эпендимо-мы или пилоидные астроцитомы.
В большинстве случаев ДВТ позволяет отличить абсцесс от некроза опухоли (на анатомических МРТ сигналы от них часто имитируют друг друеа), поскольку ИКД для гнойного экссудата обычно намного ниже, чем для некроза [11].
2. Определять степень злокачественности опухоли.
В исследовании [12] была доказана статистически
значимая корреляция между клеточностью опухоли и минимальным значением измеряемого коэффициента диффузии (ИКД), которая не была выявлеаа по отношению к T2w изображениям. Отмечается, что значение ИКД для глиальных опухолей высвиой степени злокачественности ((0,82-2,46) х 10-3 мм2/с, среднее значение ИКД = (1,26 ± 0,40) х 10-3 мм2/с)) значительно превышало значение для низкой (степени злокачественности ((1,94-3,31) х 10-3 мм2/с, среднее значение ИКД = (2,7 ± 0,7) х 10-3 мм2/с).
3. Прогнозировать течение, исход заболеваний и клинический ответ на проведенное лечение.
Поскольку не все опухоли головного мозга одинаково реагируют на определенный терапевтический режим, то своевременное обнаружение неудач лечения позволит быстрее реализовывать альтернативные схемы. Было показано, что ДВТ обладает чувствительностью к клеточности тканей и, следовательно, потенциально может быть использована как терапевтический биомаркер [13]. Так, например, в работе [14] был предложен метод функциональных диффузионных карт, рассчитываемых путем вычитания одной из другой карт ИКД, выполненных на момент поступления пациента на лечение (базовая) и в текущий момент. Каждый воксел картируется одним из трех цветов: синие воксели - уменьшение ИКД, указывающее на увеличение плотности клеток в опухоли; красные - увеличение ИКД, указывающее на
снижение плотности клеток; зеленые воксели - без значительных изменений в ИКД. Таким образом, данный метод позволяет количественно оценивать ответ опухоли на лечение в динамике при условии, чао анатомические МРТ но всагда могут доатоверно продемонстрировать рентгенологический ответ.
4. Реализовывать трактографию.
13 самом простим виде трактографию можно интерпретировать следующим образом [15-17]: каждый ваксел визуализации харантеризуевся одной преоИладающей ориентациев волокна и объединяот эти локальные ориентации, чтобы вывести глобальные аиаектории. Математически множество локальных ориентаций волокон можно рассматривать как трехмерноа (3Б) векторное пале, а глобальные траектории - как его аинии тока [18-20]. Линии тока -это любая кривая, которая касается векторного поля вдоль трвак—ории в может быть предстааленс в видг трехмерной пространственной кривой г(б), параметризованной длиной ее дуги 5. Для выравнивания линии тока и и^1сторным полем —ангенс на длине дуги 5 должен быть равен вектору в соответствующем отношении:
йз [ ( )], (10)
где е(в) обозначает доложена вдоль линии аока, а V - трехмерное векторное поле.
Привиденное иыше уравнение является дифференциальным и может быть решено следующим образом:
r(s) = JSoP[r(s)]ds,
(11)
тдг г(с0) = г00 представляет начальную иочк— линии тока.
Вышеуказанный процесс ориентации на линии тока обычно называется реконструкцией линий тока или трактографией, а получающиеся траектории -трактами или путями. Трактограмма представляет собой множество трактов, восстановленных с использованием ресурсов трактографии.
В трактографии имеются два разных подхода -детерменированный и вероятностный (существует также глобальный [21-23], но его подробное рассмотрение остается вне данной статьи). С их помощью можно визуализировать различную информацию -тракты головного мозга и карты связей соответственно [24, 25]. Отсутствие информации об ошибке в процедуре отслеживания волокон является существенным ограничением методов детерминированной трактографии. С целью оценки этой неопределенности алгоритмы вероятностной трактографии создают большой набор трактов (или распределение возможных траекторий путей из каждой начальной
точки). Результаты вероятностной трактографии часто представляют в виде количественных карт числа прохода трактов через воксел, так как предполагается, что области мозга, которые отображаются более высокими плотностями результирующих траекторий, имеют более высокую вероятность «связи» с начальной точкой [26, 27].
ДВТ ПРИ ИССЛЕДОВАНИИ НЕОПУХОЛЕВЫХ ПРОЦЕССОВ
Параметры диффузионных исследований могут быть предикторами патологии задолго до того, как она проявится морфологически. Например, ДТТ позволяет выявить специфичные изменения в количественных значениях параметров ДВТ у пациентов с функциональными изменениями при таких видах патологии, как эпилепсия, рассеянный склероз (РС), болезнь Паркинсона, обсессивно-компульсивное расстройство (ОКР) и т.д.
Согласно данным патологоанатомических исследований, наблюдается широкое вовлечение серого вещества в демиелинизирующий процесс при РС. При этом некоторые кортикальные очаги остаются невидимыми на анатомических МРТ (даже при использовании 3.0 Тл сканеров) [28]. В исследовании [29] с использованием ДТТ было показано, что значения ФА для внутрикортикальных очагов РС выше, чем для очагов в сером веществе. Это «парадоксальное» открытие фактически может отражать потерю дендритов внутри очага поражения и активацию ми-кроглиальных клеток.
В другой работе [30] была исследована связь меж-
ду временем Т2-релаксации и количественными данными ДТТ: очаги РС, характеризуемые более длинными сроками, демонстрировали наиболее выраженные аномалии диффузии, которые сильно коррелировали с пониженным содержанием миелиновой воды. При совместном рассмотрении эти результаты подтверждают представление о том, что ДТТ способна выявлять на ранних стадиях и оценивать тяжесть функционально значимого повреждения ткани при РС.
Показано, что в предполагаемых эпилептоген-ных областях [31] наблюдается уменьшение ФА и увеличение среднего коэффициента диффузии. При этом трактография фиксирует изменения в нервных волокнах мозга, отвечающих за память и речь у пациентов с височной эпилепсией.
Цингулярный пучок (ЦП) волокон, как уже давно доказано, участвует в патогенезе ОКР, однако результаты его исследования неоднозначны. При изучении левого ЦП обнаружены как более высокие [32], так и более низкие значения ФА по сравнению с контролем [33]. Другие работы [33, 34] продемонстрировали более низкие величины ФА в правой части ЦП у пациентов с ОКР. В дополнение к данным по ЦП, отмечается высокий уровень ФА во внутренней капсуле, мозолистом теле [34, 35] и полуовальном центре [36], а также низкий уровень ФА в теменной доли, надкраевой извилине и левой язычной извилине в затылочной доле [33]. Описываемые выше данные успешно используются для проведения функциональной стереотаксической радиохирургии [37] (рис. 1).
Рис. 1. План облучения пациента с обсессивно-компульсивным расстройством на Гамма-Ноже. В качестве мишени выбирается внутренняя капсула (оранжевый контур), к которой подводится доза 80 Гр по 50%-й изодозе: внутренняя зеленая
линия - 140 Гр, желтая - 80 Гр, внешняя зеленая линия - 15 Гр
РАДИОЧУВСТВИТЕЛЬНОСТЬ ТРАКТОВ БЕЛОГО ВЕЩЕСТВА ГОЛОВНОГО МОЗГА
Другой путь использования диффузионных изображений относится к визуализации критических структур и оптимизации дозы, получаемой ими при
проведении стереотаксической лучевой терапии. В современной клинической практике нам доступны ограниченные рекомендации по дозам толерантности критических структур. Если поднимать вопрос о нагрузках на мозг, то не существует дифференциации ограничений по дозе для белого вещества,
коры головного мозга и различных структур серого вещества. А нужна ли она на самом деле? Нужно ли визуализировать и выделять тракты, прилежащие к опухоли или вовлеченные в нее, и эффективно снижать дозу облучения на них?
В работе [38] было показано, что с увеличением дозы, приходящейся на область интереса, и времени после проведения курса лучевой терапии, значения коэффициентов средней, осевой (А||) и радиальной (АХ) диффузии значительно увеличились с соответствующим уменьшением ФА, что свидетельствует о явных изменениях в волокнах и их радиочувствительности к терапевтическим дозам облучения. Изменения были значимыми через 4-6 мес и более (р < 0,001). Отсюда можно сделать вывод, что при планировании облучения мишеней, располагающихся в окрестности функциональных зон, непринятие во внимание близлежащих трактов белого вещества, вероятно, может привести к нейрокогни-тивным нарушениям.
ИНСТРУМЕНТЫ РАБОТЫ С ДИФФУЗИОННЫМИ ДАННЫМИ МРТ
Ключевые вопросы: «Как разрабатывать сами инструменты для работы с диффузионными данными МРТ, а именно с какими проблемами и ограничениями придется столкнуться и как их решить? Какое программное обеспечение существует в данный момент?»
При работе с диффузионными данными МРТ возникают проблемы, касающиеся:
1. Обработки неоднозначных локальных геометрий.
При использовании тензорной модели для работы с диффузионными данными невозможно различить на уровне вокселей такие конфигурации волокон, как пересечение, соприкосновение (kissing), изгиб и «веер» [39]. В таком случае может потребоваться использование моделей диффузии «высокого порядка» [40-47].
2. Реконструкции вблизи коры.
Отслеживание волокон вблизи коры и извилинах
является сложной задачей [48, 49], так как обусловлено большими ошибками моделирования в локальной оценке ориентации волокон при приближении к серому веществу. Алгоритмы «высокого порядка» обеспечивают высококачественную оценку ориентации волокон в вокселях белого вещества. Но наряду с этим могут давать ненадежные результаты в вокселях, частично содержащих серое вещество. Для решения этой проблемы необходимо использовать локальные модели, учитывающие присутствие других типов тканей или микроструктурных компартментов.
3. Пространственного разрешения.
В настоящее время получение ДВТ всего головного мозга для рутинного использования в течение разумного времени сканирования ограничено до 2 мм3. При этом очевидно следующее: чтобы охарактеризовать тонкие структуры белого вещества и, в частности, замысловатые структуры извилин коры головного мозга или небольшие структуры вблизи серого вещества (ядра, ствол мозга), требуется более высокое пространственное разрешение. Его увеличение является нетривиальной задачей, поскольку обычно оно сопровождается либо значительным снижением отношения сигнал - шум, либо значительным увеличением времени сбора данных.
4. Углового разрешения.
Модели локальных ориентаций не в состоянии различить две популяции волокон, когда угол между ними падает ниже определенного порога. Такие эффекты могут потенциально сгенерировать полностью искусственные волокна. Несмотря на существование такого термина, как «диффузионная визуализация с высоким угловым разрешением», угловое разрешение ДВТ довольно ограничено. Как следствие, даже при использовании самых современных методов диффузионной визуализации с высоким угловым разрешением и передовых методов оценки ориентации волокон углы ниже 30° между волокнами редко разрешаются.
5. Ложных срабатываний.
Как показано в работах [50-52], ввиду того, что разные конфигурации волокон могут привести к одному и тому же сигналу МРТ в вокселе, генерируется большое количество ложноположительных трактов и связей. Для 96 трактограмм, показанных на ISMRM 2015 Tractography Challenge 21-й международной группой, в среднем на одно действительное волокно приходилось четыре ложноположительных.
6. Артефактов.
ДВТ, как и любая эхо-планарная последовательность, подвержена ряду артефактов: аппаратно-фи-зическим (магнитной восприимчивости, вихревых токов, артефакт градиентов и т.д.) и артефактам, связанным с объектом исследования (артефакты движения, пульсации крови, химического сдвига, жиропо-давления и т.д.).
КОРРЕКЦИЯ ИСКАЖЕНИЙ ИЗОБРАЖЕНИЙ
Перед работой с ДВТ в первую очередь необходимо обработать изображение, а именно скорректировать искажения, вызванные вышеперечисленными артефактами. При этом уже есть и постоянно разрабатываются новые методы борьбы с ними как аппаратного, так и программного характера.
Наиболее интересен метод коррекции, реализованный в FSL ^МЫВ, Англия). Он основан на выборе ковариационной функции, которая позволяет прогнозировать сигнал от вокселей даже со сложной конфигурацией волокон.
Данные диффузии (в каждом вокселе) получают путем измерения сигнала после применения диффузионного взвешивания (характеризуемого Ь-фак-тором и вектором g единичной длины, задающим направление). Полный протокол диффузии состоит из нескольких измерений в разных направлениях градиента. Следовательно, данные могут рассматриваться как переменная отклика (сигнала), полученная на поверхности сферы.
Из этого следует два важных аспекта: 1) сигнал изменяется плавно при изменении угла направления звешивания диффузии; 2) сигнал вляется аксиаль-ио симметричным, т. е. сигнал вдоль g идентичен сигналу вдоль
Поскольку диффузионный сигнал распределен по сфере, то для работы с ним могут быть использоиа-ны методы, применяемые в геостакистике, где особым случаем Гтуссового процесса, наблюдаемоао та сфере, я-ляется так называемый крииинг. Для этих методов ковариация часто определяется как функция угла 0 между двумя векторами от цекхра сферы до и (иаблюдаемые точки) и х' (гфогнозируемые в отсутствие искажений точки). Эти векторы легко представляются как ^щ-вемстори!^ описенные выше. Двумя популярными ковариационными функциями, определяющими взаимосвязь мкжду тхблюдаемыми точками и псигнозируемыми (искомымиТ, в геостатистике являются:
1) «экспоненциальная модель»:
с(0) = е~в/а для 0 <в <п
(12)
где a - положительный параметр шкалы; 2) «сферическая модель»:
С(в) =
зв в3 _ ^ 1---1--- для в < а
2а 2а3 ^
.0
для в>а, ( 13)
где а - снова положительный параметр шкалы, который здесь опседеляе- «расстояние», са котором ко-вариация 0 стремится к нулю.
ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ РАБОТЫ С ДВТ
Процесс работы с диффузионнь-ме изкбражения-ми разбиасетси на слодующие этапы: пре-процессинг, включающий кор°екцию артерактов и вычленение маски головн-го мазга, 1>епосредственная работа с изображением и визуализация, а именно извлече-
ние тензоров диффузии, построение карт параметров диффузии, трактов, кластеризация и затем количественный анализ. Если рассматривать все многообразие программного обеспечения (ПО), работающего с ДВТ, и опираясь на этапы работы с ним, то можно выделить несколько программ - AFNI (NIMH, США), FSL (FMRIB, Англия), MRTrix (колоборация большого числа институтов из разных стран мира), 3D Slicer (NIH, США), Camino (University College London, Англия), TrackVis (MGH GCRC и NIMH, США) и т.д. Однако ни одна из них не охватывает весь спектр задач. Помимо этого, многие программные продукты, разработанные для обработки диффузионных изображений, подразумевают написание и (или) понимание скриптов, что предполагает большой объем ручной работы, малопрозрачной для непрограммистов. На данный момент в планировании лучевой терапии функционал по обработке диффузионных данных недоступен в рамках коммерческого специализированного программного обеспечения.
С учетом всего ранее сказанного, остается акту-аоьной задача разработки ПО, наиболее полноценно охватывающего задачи работы с диффузией.
РАЗРАБОТКА СОБСТВЕННОГО ПО
Нами разрабатывается приложение MRDiffusion на стандартном языке C++. Предметная часть вынесена в отдельные библиотеки классов и может использоваться на раьличных платформах. В настоящее время в качестве пользовательского интерфейса выбрана платформа Windows 10. Формы создаются на языке XAML. Графика формируется с помощью среды DirecX. Для ряда вычислительных задач используются математические библиотеки с открытыми кодами.
ш
Рис. 2. Заиузка изображений в МКЭШшюп
При помощи! интерфейса можно подгрузить (рис. 2) полученные в ходе МРТ-обследования файлы в формате Б1СОМ с обязательной серией ДТТ,
которые будут отображены с возможностью выбора конкретной серии, что, безусловно, удобно с точки зрения навигации по изображениям и эффективно в рабочих условиях.
Для дальнейшей обработки изображений необходимо извлечь маску головного мозга, что выполняется по изображениям с нулевым градиентом, то есть по T2w (рис. 3, а).
V
>V V - i t ^гч t V Д V ■ гт>4 ■, V у / k _
Ш
b
Рис. 3. Выделение маски головного мозга (а); количественные карты диффузии (Ь)
В рамках приложения возможен расчет таких количественных параметров, как средней диффузии и ФА, представленной в двух вариантах - обычной и с кодированием направлений цветом (рис. 3, b).
На данный момент трактография реализована простым детерминированным методом - Fiber Assignment by Continuous Tracking (FACT, выделение трактов непрерывным отслеживанием). Суть его заключается в следующем.
Выделение тракта начинается в центре каждого вокселя со значением ФА выше заранее заданного порога и продолжается параллельно главному направлению диффузии. Черными стрелками (рис. 4, а) обозначены собственные вектора тензора диффузии с наибольшим собственным значением. В точке,
где тракт пересекает воксель, направление меняется согласно новому главному направлению. Итеративно продолжая подобные действия, восстановление тракта будет прерываться при наступлении условий остановки алгоритма: если ФА в вокселе меньше пороговой или в случае, если угол между новым и старым главным направлением диффузии окажется выше заранее заданного порога по углу. Восстановление тракта происходит в обоих направлениях из начальной точки - по направлению главного вектора и против него. При этом каждый кусочек тракта имеет цвет, получаемый смешением красного, зеленого и синего, которые, в свою очередь, обозначают главное направление диффузии в том или ином направлении (рис. 4, Ь).
/ / / /
/ / /
/ / /
/ --
У £ / —- —-
1 Л.
Жj J W j
1 rrf i^Rdy ■ Шк * J i1 ■tib'jX^ -j*
i тмш
Шл A w ■
rCSS V" v . ¿ВГ
Щ
b
Рис. 4. Схема работы алгоритма FACT (а); пример трактографии на основе метода FACT (b) Bulletin of Siberian Medicine. 2021; 20 (2): 191-201
а
а
ЗАКЛЮЧЕНИЕ
С момента своего появления в середине 1990-х гг. диффузионно-взвешенная томография стала широко использоваться в области медицинской визуализации с точки зрения обработки и анализа данных, и особенно в исследованиях головного мозга. Это обусловлено уникальными возможностями по сравнению с другими модальностями, а именно способностью количественно и качественно исследовать структуру ткани и функцию на клеточном уровне без использования контрастных веществ или ионизирующего излучения. Наиболее перспективным направлением данной методики, помимо рутинных медицинских исследований, является использование в планировании лучевой терапии и нейрохирургических операций, изучении эпилепсии, болезней Альцгеймера и Паркинсона, рассеянного склероза и других расстройств. Применение данной технологии в других областях сильно ограничивается умением правильно интерпретировать полученные результаты.
Диффузионно-взвешенная томография головного мозга, безусловно, является многообещающей неинвазивной технологией, однако работа с ней сопряжена с рядом проблем: 1) высокая вероятность появления ложноположительныгс волокон; 2) невозможность нахождения различия и, как следствие, достоверного отображения пересекающихся, соприкасающихся и сливающихся волокон; 3) отсутствие воспроизводимости результата, зависимость от пользователя; 4) невозможность отображения трактов небольшой длины; 5) неустойчивость алгоритмов при работе с патологией.
ЛИТЕРАТУРА
1. Einstein A. Über die von der molecularkinetischen Theorie der Wärme geforderte Bewegung von in ruhenden Flüssigkeiten suspendierten Teilchen. An-nalen der Physik. 1905; 322 (8): 549-560.
2. Leemans A. Modeling and processing of diffusion tensor magnetic resonance images for improved analysis of brain connectivity. PhD thesis. University of Antwerp, Antwerpen, 2006.
3. Hashemi R., Bradley W., Lisanti C. MRI. The Basics. Lippincott Williams & Wilkins. Ph., 2004: 353.
4. Laun F., Fritzsche K., Kuder T., Stieltjes B. Introduction to the basic principles and techniques of diffusion-weighted imaging. Radiology. 2011; 51 (3): 170-179. DOI: 10.1007/s00117-010-2057-y.
5. Basser P., Mattiello J., Le Bihan D. MR diffusion tensor spectroscopy and imaging. Biophysical Journal. 1994; 66 (1): 259267. DOI: 10.1016/S0006-3495(94)80775-1.
6. Kitis O., Altay H., Calli C., Yunten N., Akalin T., Yurtseven T. Minimum apparent diffusion coefficients in the evaluation of brain tumors. Eur. J. Radiol. 2005; 55 (3): 393-400. DOI: 10.1016/j.ejrad.2005.02.004.
7. Yamasaki F., Kurisu K., Satoh K., Arita K., Sugiyama K., Ohtaki M. et al. Apparent diffusion coefficient of human brain tumors at MR imaging. Radiology. 2005; 235 (3): 985-991. DOI: 10.1148/RADIOL.2353031338.
8. Al-Okaili R., Krejza J., Woo J.H., Wolf R., O'Rourke D., Judy K. et al. Intraaxial brain masses: MR imaging-based diagnostic strategy - initial experience. Radiology. 2007; 243 (2): 539550. DOI: 10.1148/radiol.2432060493.
9. Toh C., Castillo M., Wong A., Wei K., Wong H., Ng S. et al. Primary cerebral lymphoma and glioblastoma multiforme: differences in diffusion characteristics evaluated with diffusion tensor imaging. AJNR Am. J. Neuroradiol. 2008; 29 (3): 471475. DOI: 10.3174/ajnr.A0872.
10. Wilke M., Eidenschink A., Muller-Weihrich S., Auer D. MR diffusion imaging and 1H spectroscopy in a child with medul-loblastoma. A case report. Acta Radiol. 2001; 42 (1): 39-42.
11. Guzman R., Barth A., Lovblad K., El-Koussy M., Weis J., Schroth G. Use of diffusion-weighted magnetic resonance imaging in Diffusion Imaging in Brain Tumors differentiating purulent brain processes from cystic brain tumors. J. Neurosurg. 2002; 97 (5): 1101-1107. DOI: 10.3171/ jns.2002.97.5.1101.
12. Sugahara T., Korogi Y., Kochi M., Ikushima I., Shigematu Y., Hirai T., Okuda T., Liang L., Ge Y., Komohara Y. et. al. Usefulness of diffusion-weighted MRI with echo-planar technique in the evaluation of cellularity in gliomas. J. Magn. Reson. Imaging. 1999; 9 (1): 53-60. DOI: 10.1002/(SICI)1522-2586( 199901)9:1<53::AID-JMRI7>3.0.CO;2-2.
13. Schmainda K. Diffusion-weighted MRI as a biomarker for treatment response in glioma. CNS Oncology. 2012; 1 (2): 169-180. DOI: 10.2217/cns.12.25.
14. Ellingson B., Malkin M., Rand S. et al. Validation of functional diffusion maps (fDMs) as a biomarker for human glioma cellularity. J. Magn. Reson. Imaging. 2010; 31 (3): 538-548. DOI: 10.1002/jmri.22068.
15. Mori S., Zijl P. Fiber tracking: Principles and strategies - A technical review. NMR in Biomedicine. 2002; 15 (7-8): 468480. DOI: 10.1002/nbm.781.
16. Lazar M. Mapping brain anatomical connectivity using white matter tractography. NMR Biomed. 2010; 23 (7): 821-835. DOI: 10.1002/nbm.1579.
17. Wasserthal J., Neher P., Maier-Hein K. Tract orientation mapping for bundle-specific tractography. Springer, 2018. DOI: 10.1007/978-3-030-00931-1_5.
18. Conturo T., Lori N., Cull T. et al. Tracking neuronal fiber pathways in the living human brain. Proc. Natl. Acad. Sci. 1999; 96 (18): 10422-10427. DOI: 10.1073/pnas.96.18.10422.
19. Mori S., Crain B.J., Chacko V.P., van Zijl P.C. Three-dimensional tracking of axonal projections in the brain by magnetic resonance imaging. Ann. Neurol. 1999; 45 (2): 265-269. DOI: 10.1002/1531-8249(199902)45:2<265::aid-ana21>3.0.co;2-3.
20. Basser P., Pajevic S., Pierpaoli C. et al. In vivo fiber tractography using DT-MRI data. Magn. Reson. Med. 2000; 44 (4): 625-632. DOI: 10.1002/1522-2594(200010)44:4<625::aid-mrm17>3.0.co;2-o.
21. Reisert M., Mader I., Anastasopoulos C. et al. Global fiber reconstruction becomes practical. Neuroimage. 2011; 54 (2): 955-962. DOI: 10.1016/j.neuroimage.2010.09.016.
22. Mangin J.-F., Fillard P., Cointepas Y. et al. Toward global tractography. Neuroimage. 2013; 80: 290-296. DOI: 10.1016/j. neuroimage.2013.04.009.
23. Christiaens D., Reisert M., Dhollander T. et al. Global tractography of multi-shell diffusion-weighted imaging data using a multi-issue model. Neuroimage. 2015; 123: 89-101. DOI: 10.1016/j.neuroimage.2015.08.008.
24. Behrens T., Woolrich M., Jenkinson M. et al. Characterization and propagation of uncertainty in diffusion-weighted MR imaging. Magn. Reson. Med. 2003; 50 (5): 1077-1088. DOI: 10.1002/MRM.10609.
25. Behrens T., Berg H., Jbabdi S., Rushworth M., Woolrich M. Probabilistic diffusion tractography with multiple fibre orientations: what can we gain? Neuroimage. 2007; 34 (1): 144155. DOI: 10.1016/j.neuroimage.2006.09.018.
26. Parker G., Alexander D. Probabilistic anatomical connectivity derived from the microscopic persistent angular structure of cerebral tissue. Philos. Trans. R. Soc. Lond. B Biol. Sci. 2005; 360 (1457): 893-902. DOI: 10.1098/rstb.2005.1639.
27. Parker G., Haroon H., Wheeler-Kingshott C. A Framework for a streamline-based probabilistic index of connectivity (PICo) using a structural interpretation of MRI diffusion measurements. J. Magn. Reson. Imaging. 2003; 18 (2): 242-254. DOI: 10.1002/jmri.10350.
28. Polman C., Reingold S., Banwell B. et al. Diagnostic criteria for multiple sclerosis: 2010 revisions to the McDonald criteria. Annals of Neurology. 2011; 69 (2): 292-302. DOI: 10.1002/ana.22366.
29. Poonawalla A., Hasan K., Gupta R., Ahn C., Nelson F., Wo-linsky J., Narayana P. Diffusion-tensor MR imaging of cortical lesions in multiple sclerosis: initial findings. Radiology. 2008; 246 (3): 880-886. DOI: 10.1148/radiol.2463070486.
30. Kolind S., Laule C., Vavasour I., Li D.K., Traboulsee A., Mädler B., Moore G., Mackay A. Complementary information from multi-exponential T2 relaxation and diffusion tensor imaging reveals differences between multiple sclerosis lesions. Neuroimage. 2008; 40 (1): 77-85. DOI: 10.1016/j.neuroim-age.2007.11.033.
31. Hugg J., Butterworth E., Kuzniecky R. Diffusion mapping applied to mesial temporal lobe epilepsy: preliminary observations. Neurology. 1999; 53 (1): 173-176. DOI: 10.1212/ wnl.53.1.173.
32. Cannistraro P., Makris N., Howard J., Wedig M., Hodge S., Wilhelm S., Kennedy D., Rauch S. A diffusion tensor imaging study of white matter in obsessive-compulsive disorder. Depress Anxiety. 2007; 24 (6): 440-446. DOI: 10.1002/da.20246.
33. Szeszko P., Ardekani B., Ashtari M., Malhotra A., Robinson D., Bilder R., Lim K. White matter abnormalities in obsessive-compulsive disorder: a diffusion tensor imaging study. Arch. Gen Psychiatry. 2005; 62 (7): 782-790. DOI: 10.1001/ archpsyc.62.7.782.
34. Cannistraro P., Makris N., Howard J., Wedig M., Hodge S., Wilhelm S. et al. A diffusion tensor imaging study of white matter in obsessive-compulsive disorder. Depress Anxiety. 2006; 24: 440-446. DOI: 10.1007/978-1-59745-495-7_3.
35. Yoo S., Jang J., Shin Y., Kim D., Park H., Moon W., Chung E., Lee J., Kim I., Kim S., Kwon J. White matter abnormalities in drug-naive patients with obsessive-compulsive disorder:
a diffusion tensor study before and after Citalopram treatment. Acta Psychiatr. Scand. 2007; 116 (3): 211-219. DOI: 10.1111/j.1600-0447.2007.01046.x.
36. Nakamae T., Narumoto J., Shibata K., Matsumoto R., Kita-bayashi Y., Yoshida T., Yamada K., Nishimura T., Fukui K. Alteration of fractional anisotropy and apparent diffusion coefficient in obsessive-compulsive disorder: a diffusion tensor imaging study. Prog. Neuropsychopharmacol. Biol. Psychiatry. 2008; 32 (5): 1221-1226. DOI: 10.1016/j.pnpbp.2008.03.010.
37. Gavin C., Ian Sabin H. Stereotactic diffusion tensor imaging tractography for Gamma Knife radiosurgery. J. Neurosurgery. 2016; 125 (1): 139-146. DOI: 10.3171/2016.8.GKS161032.
38. Connor M., Karunamuni R., McDonald C., White N., Petters-son N., Moiseenko V., Seibert T., Marshall D., Cervino L., Bartsch H., Kuperman J., Murzin V., Krishnan A. et al. Dose-dependent white matter damage after brain radiotherapy. Radiothion. Oncol. 2016; 121 (2): 209-216. DOI: 10.1016/j. radonc.2016.10.003.
39. Tournier J.-D., Calamante F., Connelly A. MRtrix: diffusion tractography in crossing fiber regions. Int. J. Imaging Syst. Technol. 2012; 22: 53-66. DOI: 10.1002/IMA.22005.
40. Wedeen V., Hagmann P., Tseng W. Mapping Complex Tissue Architecture with Diffusion Spectrum Magnetic Resonance Imaging. Magnetic Resonance in Medicine. 2005; 54 (6): 1377-1386. DOI: 10.1002/MRM.20642.
41. Campbell J., Siddiqi K., Rymar V. Flow-Based Fiber Tracking with diffusion tensor and q-ball data: validation and comparison to principal diffusion direction techniques. Neuroimage. 2005; 27 (4): 725-736. DOI: 10.1016/j.neuroim-age.2005.05.014.
42. Tuch, D. Q-ball imaging. Magn. Reson. Med. 2004; 52 (6): 1358-1372. DOI: 10.1002/mrm.20279.
43. Assaf Y., Basser P. Composite hindered and restricted model of diffusion (CHARMED) MR imaging of the human brain. Neuroimage. 2005; 27 (1): 48-58. DOI: 10.1016/j.neuroim-age.2005.03.042.
44. Özarslan E., Shepherd T., Vemuri B. et al. Resolution of complex tissue microarchitecture using the diffusion orientation transform (DOT). Neuroimage. 2006; 31 (3): 1086-1103. DOI: 10.1016/j.neuroimage.2006.01.024.
45. Liu C., Bammer R., Acar B. et al. Characterizing non-Gaussian diffusion by using generalized diffusion tensors. Magn. Reson. Med. 2004; 51 (5): 924-937. DOI: 10.1002/mrm.20071.
46. Tournier J.-D., Calamante F., Gadian D. et al. Direct estimation of the fiber orientation density function from diffusion-weighted MRI data using spherical deconvolution. Neuroimage. 2004; 23 (3): 1176-1185. DOI: 10.1016/j.neuro-image.2004.07.037.
47. Tournier J.-D., Calamante F., Connelly A. Robust determination of the fibre orientation distribution in diffusion MRI: non-negativity constrained super resolved spherical deconvo-lution. Neuroimage. 2007; 35 (4): 1459-1472. DOI: 10.1016/j. neuroimage.2007.02.016.
48. Jbabdi S., Johansen-Berg H. Tractography: where do we go from here? Brain Connect. 2011; 1 (3): 169-183. DOI: 10.1089/brain.2011.0033.
49. Thomas C., Ye F., Irfanoglu M. et al. Anatomical accuracy of brain connections derived from diffusion MRI tractography is
inherently limited. Proc. Natl. Acad. Sci. USA. 2014; 111 (46): 16574-16579. DOI: 10.1073/pnas.1405672111.
50. Maier-Hein K., Neher P., Houde J.-C. et al. Tractogra-phy-based connectomes are dominated by false-positive connections. BioRxiv. 2016; 1: 84137. DOI: 10.1101/084137.
51. Fillard P., Descoteaux M., Goh A., Gouttard S., Jeurissen B., Malcolm J., Ramirez-Manzanares A., Reisert M., Sakaie K., Tensaouti F. et al. Quantitative evaluation of 10 tractogra-
phy algorithms on a realistic diffusion MR phantom. Neuroimage. 2011; 56 (1): 220-234. DOI: 10.1016/j.neuroim-age.2011.01.032.
52. Maier-Hein K., Neher P., Houde J.., Côté M., Garyfallidis E., Zhong J., Chamberland M., Yeh F., Lin Y., Descoteaux M. et al. The challenge of mapping the human connectome based on diffusion tractography. Nature Communications. 2017; 8 (1): 1349. DOI: 10.1038/s41467-017-01285-x.
Сведения об авторах
Уразова Ксения Александровна, инженер-физик, отделение радиохирургии и радиотерапии, НМИЦ нейрохирургии им. акад. Н.Н. Бурденко; аспирант, кафедра физики ускорителей и радиационной медицины, МГУ им. М.В. Ломоносова, г. Москва. ORCID 0000-0002-7725-5090.
Горлачёв Геннадий Ефимович, канд. физ.-мат. наук, ст. науч. сотрудник, группа клинической дозиметрии, НМИЦ онкологии им. Н.Н. Блохина, г. Москва. ORCID 0000-0003-4386-4223.
Черняев Александр Петрович, д-р физ.-мат. наук, профессор, зав. кафедрой физики ускорителей и радиационной медицины, МГУ им. М.В. Ломоносова, г. Москва. ORCID 0000-0001-5250-046X.
Голанов Андрей Владимирович, д-р мед. наук, профессор, чл.-корр. РАН, зав. отделением радиохирургии и радиотерапии, НМИЦ нейрохирургии им. акад. Н.Н. Бурденко, г. Москва. ORCID 0000-0002-0976-4547.
(*) Уразова Ксения Александровна, e-mail: kurazova@nsi.ru
Поступила в редакцию 25.08.2020 Подписана в печать 28.12.2020
