FI127123B - Menetelmä rintojen tutkimiseksi ja kasvaimien todentamiseksi kudoksessa eri taajuuksilla ilmenevien fysiologisten ilmiöiden ja muutosten perusteella, käytettäväksi yhdessä tai erikseen mammografiatutkimusten kanssa nostamaan tutkimusten sensitiivisyyttä ja spesifisyyttä - Google Patents

Description

MENETELMÄ RINTOJEN TUTKIMISEKSI JA KASVAIMIEN TODENTAMISEKSI, KUDOKSESSA ERI TAAJUUKSILLA ILMENEVIEN FYSIOLOGISTEN ILMÖIDEN JA MUUTOSTEN PERUSTEELLA, KÄYTETTÄVÄKSI YHDESSÄ TAI ERIKSEEN MAMMOGRAFIATUTKIMUSTEN KANSSA NOSTAMAAN TUTKIMUSTEN SENSITIIVISYYTTÄ JA SPESIFISYYTTÄ Tämä keksintö koskee menetelmää kasvainten, kuten syöpäkasvainten, ja niitä ympäröivien kudosten verenkierron modulaation erojen identifioimiseksi ja erottamiseksi. Tämän keksinnön kohteena on erityisesti kasvaimen ja kasvainta ympäröivän terveen kudoksen välisen, pm-säteilyalueen signaalidynamiikan eron identifioiminen, minkä avulla mahdollinen kasvain voidaan havaita poikkeavana normaalikudoksesta. Mainittu signaalidynamiikan erojen toteaminen saadaan aikaan keksinnön mukaisella menetelmällä vertaamalla halutulla taajuuskaistalla analysoituja spektrianalyysejä oletetun kasvainalueen sekä oletetun terveenkudoksen alueen välillä. Tämän keksinnön tavoitteena on myös keksinnön mukaisen menetelmän saattaminen käyttöön mammografiaa täydentäväksi menetelmäksi nostamaan sensitiivisyyttä ja spesifisyyttä erityisesti rinnan erityyppisten kasvainten diagnostiikassa sekä hoitoasteen seurannassa että riskiryhmien aikaisen vaiheen syöpätutkimuksessa. Erityisesti menetelmä on tehty tukemaan mammografiatutkimuksia tämän heikkouksien osalta, tunnistamaan fysiologisten muutosten avulla niitä syöpätyyppejä, joitka eivät ole selvärajaisia ja näin mammografialle haasteellisia tämän ollessa vain anatomiaa kuvaava menetelmä. Erityisesti menetelmällä pyritään saamaan esiin nännin alaiset rihmamaiset syövät, jotka ovat mm. seulontatutkimuksissa haasteellisia.

Oleellinen osa tämän keksinnön menetelmää on integroitu kuvausasetelma, jonka avulla kuvaus tehdään, kuvattava asemoidaan ja jolla potilaan liike minimoidaan kohdistamalla keho "kiinteistä" pisteistä paikalleen käyttäen hyväksi tukirangan ristikkorakenteenomaisia piirteitä. Tämä menetelmä edustaa aivan uudenlaista, käänteentekevää tekniikkaa kasvainten toteamiseksi kehosta erityisesti niiden kasvain tyyppien osalta, jotka mammografiatutkimuksessa saattavat jäädä näkymättä (mm. tiehytperäiset, rihmamaiset syövät). Keksinnön mukaisesti oleellista on myös se, että tämä menetelmä tekee mahdolliseksi tarkan kuvauskohdan kuvaamisen toistuvasti.

On ymmärrettävä, että tässä kuvatut erityiset suoritusmuodot on esitetty keksinnön kuvaamiseksi eikä keksinnön rajoituksiksi. Tämän keksinnön ominaispiirteitä voidaan käyttää poikkeamatta keksinnön suoja-alasta.

Yleistä tutkittavasta ilmiöstä ja tekniikan taso

Rintasyöpä

Suomessa rintasyöpä on naisten yleisin syöpäsairaus ja noin joka 10. nainen sairastuu elämänsä aikana rintasyöpään. Yhdysvalloissa rintasyöpä on toisella sijalla kuolemaan johtavista sairauksista keuhkosyövän ollessa suurin menehtymiseen johtava yksittäinen sairaus. Rintasyövän ilmaantuvuus I. (esiintymisen kasvu suhteessa väkilukuun) lisääntyy jyrkästi 35-55 ikävuosien välissä. Vuosittain todettavien uusien tapausten määrä Suomessa on yli 3500 ja Yhdysvalloissa todetaan vuosittain 175000 uutta rintasyöpätapausta, joista noin yksi neljännes johtaa potilaan menehtymiseen. Rintasyövän kehittymisen syyt ovat monisyiset ja useita sairastumisvaaraa lisääviä tekijöitä tunnetaan. Yksittäisten tekijöiden vaikutus on kuitenkin osoittautunut epävarmaksi ja vähäiseksi.

Aikaisessa vaiheessa todettu rintasyöpä saa hyvän ennusteen. Suomessa noin 80 % potilaista on elossa viiden vuoden kuluttua sairauden toteamisesta. Mammografiaseulonta on voimakkaasti vähentänyt rintasyöpäkuolleisuutta ja aikaisen vaiheen seulonta onkin tärkein kuolleisuuden minimointiin vaikuttava tekijä.

Non-invasiivinen, mikrometriaallonpituusalan kuvantaminen lääketieteessä

Non-invasiivinen, mikrometriaallonpituusalan kuvantaminen lääketieteessä (dynaaminen infrapunakuvaus, jaksottainen pm-alueen kuvaus tai thermografian eri muodot) ei ole saanut vakinaistettua sijaa radiologiassa muiden kuvantamistekniikoiden ollessa laajemman kiinnostuksen kohteena. Muun muassa infrapunatekniikan kehittymisen vetureina on ollut lähinnä hakupäätekniikka sotateollisuudessa sekä kaukokartoitussovellukset astronomiassa. Infrapunakuvauksella on historiansa johdosta huono kaiku lääketieteessä, mihin syynä ovat olleet puutteellinen tieto kasvaimeen liittyvistä kasvutekijöistä (angiogenesis, typen oksidin vaikutukset, veren virtaukseen liittyvät rytmit, analyysien pohjautuminen pelkkään infrapunakuvaan, kuvankäsittely-menetelmien vajavuus sekä kameroiden suorituskyvyn rajallisuus).

Jaksotetulla infrapunakuvauksella voidaan tunnistaa kudosrakenteita niiden lämpötilavaihtelurytmien perusteella hermostollisista (vasomotorisista) ja kardiogeenisistä ilmiöistä johtuvilla taajuuksilla. Näillä taajuuksilla terve kudos voidaan erottaa kasvainkudoksesta intensiteettierojen perusteella. Intensiteettierojen taustalla on kasvaimen kyky kehittää typpioksidia, joka laajentaa verisuonia ja tekee niistä joustamattomia ja erilaisuuteen terveen kudoksen verisuoniin nähden.

Jaksottaisessa infrapunakuvauksessa käytettyjen fotoni-ilmaisinkameroiden toiminta perustuu säteilykvanttien vuorovaikutukseen suoraan materiaalin atomien kanssa.

Ilmaisintyypeistä fotoni-ilmaisimet ovat olleet merkitsevässä asemassa niiden tarjoaman erinomaisen lämpötilaerottelukyvyn sekä kvanttihyötysuhteen (fotojänniteilmaisimet) ansiosta. Ilmaisinmateriaaleina tyypillisimpiä ovat muun muassa GeAs, HgCdTe ja InSb.

Ihmisen kehon infrapunakuvausten perustana on ihmisen emittoima lämpösäteilyjä säteilyerot eri kudoksissa. Ihmisen ihon ja ihonalaiskudoksien lämmön siirtyminen jakautuu viiiten pääkomponenttiin: säteilyyn, konvektioon ja haihduttamiseen, paikalliseen (hermostollinen) ja yleiseen verenkiertoon (autonominen), edellisten ollessa summa, diffuusion, soluaineenvaihdunnan, entropian, termodynamiikan ja palautejärjestelmien (hormonit, entsyymit) toiminnnasta.. Edellisten yhteisvaikutuksesta ihon sekä kudosten lämpötila vaihtelee kudosrakenteiden erilaisuudesta ja pintaverenkierrosta johtuen suuresti. Kehon hermostolliset ja paikalliset säätelyjärjestelmät säätelevät kapillaarivirtauksia ihonalaiskudoksissa ja näihin suuntautuva verenvirtaus kuljettaa riittävän osan kehosta poistettavasta lämmöstä ihon alle. Edellä kuvattu eräissä lähteissä yksinkertaistettu neljän ilmiön yhteissummaksi, jotka ovat verenkierto, kudoksen metabolia, paikallismodulaattorit (adenosine, NO, H+) ja systeeminen ohjaus/kontro11i (hermostollinen ja autonominen, hormonit). Kasvainten tapauksessa edellisten lisäksi verenkiertoon vaikuttaa myös typen oksiidin vaikutus sekä nea-angiogeneesi eli verisuonirihmottuminen. Kun ihmisen ihon keskimääräinen emissiivisyys on n. 0,98, iho toimii hyvin lähellä täydellisen säteilijän säteilyominaisuuksia eli ihmisen iho emittoi vain itsensä lähettämää lämpösäteilyä antaen perustan infrapunakuvaukselle. Edellä kuvatun mukaisesti dynaaminen infrapunakuvaus tarkoittaa tässä yhteydessä ihmisen kehon kuvaamista herkällä infrapunakameralla, jossa kuvausjaksossa tallennetaan kohteen samasta kohtaa otettuja kuvia halutulla taajuudella analysoitavaksi eri kuvankäsittely- ja taajuusanalyysimenetelmin. Dynaamisella infrapuna-kuvauksella voidaan tunnistaa kudosrakenteita lämpötilavaihtelurytmien perusteella. Muun muassa hermostollisilla, sydämenlyönti- sekä hengitysrytmin taajuuksilla voidaan intensiteettierojen perusteella erottaa tervekudos kasvainkudoksesta. Intensiteettierojen taustalla on kasvaimen kyky kehittää typen oksidia, joka laajentaa verisuonia ja tekee niistä joustamattomia ja ei-palautumiskykyisiä, mikä johtaa veren virtauksen tuoman lämpölisän erilaisuuteen terveen kudoksen verisuoniin nähden. Eräissä lähteissä on todettu, että, että kasvaimessa verenvirtaus voi olla monikymmenkertainen normaalikudokseen verrattuna (kuva alla).

Kuva 1. Kasvainkudoksen ja normaalikudoksen lämpötehon ja verenvirtausmäärän erot.

Kasvaimen paikallista lämpötilaa lisää angiogeneesi-ilmiö eli kasvaimen verisuonten uudismuodostus läheisistä verisuonista yhdessä verisuonten laajentumisen kanssa. Angiogeneesi-ilmiön on todettu käynnistyvän, kun kasvaimen halkasija ylittää 2 mm rajan. Tällöin kasvain alkaa tarvita ulkopuolisia ravinteita kasvaakseen. Tämä ilmiö on myös todettavissa tässä kuvatun mukaisella menetelmällä lämpötilavaihtelurytmien yhteydessä.

Infrapunakuvausta on kokeellisesti käytetty lääketieteessä jo 80 -luvulla, jolloin tästä kuvantamisesta käytettiin nimitystä ”thermografia”. Tuolloin thermografia sai kuitenkin huonon maineen kuvantamismenetelmänä radiologien analysoidessa rinnasta otettua, yksittäistä (staattista) ir -kuvaa yrittäen tulkita ympäristöä lämpimämmät kohdat kasvaimiksi.

Virhetulkintoja tuli paljon, ja niiden määrää lisäsi ratkaisevasti tuon aikaisten ir -kameroiden rajallinen lämpötilaerottelukyky. Ihmisen kehon lämpövaihtelut ovat hyvin yksilöllisiä (Liitel, kuva 1) ja niihin vaikuttaa moni erillinen tekijä mm. verisuonten läheisyys ihon pinnasta, paikallinen aineenvaihdunta, kuukautiskierron vaihe monen muun asian lisäksi, minkä vuoksi yksittäisestä, staattisesta kuvasta on mahdoton nykymenetelmin analysoida luotettavasti kasvaimen olemassaoloa ja paikkaa. Edellä mainituista syistä johtuen lääketieteessä infrapunakuvauksella on ollut huono ”kaiku”. Uusien, infrapuna-alueen menetelmien kehittäminen kliiniseen käyttöön on vaatinut mittavia työpanoksia.

Dynaaminen infrapunakuvantaminen, staattisen kuvantamisen sijaan, on herättänyt kiinnostusta viime vuosina ja sitä on sovellettu lääketieteelliseen diagnostiikkaan nykytekniikan ja kuvankäsittely- sekä analyysimenetelmien mahdollistaessa monipuolisen, tarkan ja yksityiskohtaisen kuvantamisen.

Liitteen 1 kuvassa 2 on esitetty erään henkilön toisen rinnan kolmesta eri alueesta otettu infrapunakuvausdata ajan funktiona, jossa lämpöasteikon korkeinta arvoa kuvaava käyrä on rajatusta rinnan kasvaimen alueesta ja muut vertailu otetuista alueista. Lähellä ihon pintaa on todettu syöpäkasvain mammografiatutkimuksen yhteydessä. Kuvauskamerana on ollut QWIP -kamera 320 x 254 pikselin ilmaisinmatriisilla, jonka lämpötilaerottelukyky toimittajan ilmoittamana <20 mK. Kuvaustaajuus oli 50 Hz. Kuvasta nähdään, että ihmiskehossa jaksottaisia, sydämenlyöntitaajuuteen liittyviä lämpötilamuutoksia todellakin on erotettavissa. Kuvan datan epävarmuus liittyy kameran 50 Hz taajuudella toimivaan jäähdytyskompressoriin, joka jäähdyttää ilmaisinmatriisin nestetypen lämpötilaan. 50 Hz kuvaustaajuus ei erottele välttämättä kompressorin aiheuttamaa ”kohinasignaalia” datasta.

Kirjallisuudessa on todettu, että edellä mainitut ilmiöt tuovat eroja terveen- ja kasvainkudoksen lämpödynamiikkaan hermostollisen verenkierron (vasomotor) sekä sydämen aiheuttaman verenkierron taajuuksilla. Hermostolliset verenkiertorytmit toimivat 0,1 - 0,2 Hz ja sydämen lyöntirytmit 0,8-2,0 Hz taajuuksilla.. Näiden kerrannaisrytmien taajuuksien on todettu olevan 2,4 - 2,8 ja 3,5 - 4,5 Hz taajuuksilla. Vastaavat lähteet toteavat intensiteettierojen kasvain- ja terveenkudoksen välillä suuruusluokaltaan kulkevan samassa järjestyksessä siten, että suurimmat erot saadaan hermostollisilla taajuuksilla, sitten sydämenlyönnin taajuuksilla ja tästä eteenpäin kerrannaistaajuuksien mukaan. Hengitysrytmi toimii keskimäärin 0,3 Hz taajuudella.

Kirjallisuudessa on myös vertailtu ja todennettu toimivuutta sekä laser-doppler- että dynaamisen infrapunakuvauksen välillä (liite 1,kuva 3).

Tutkimuksessa verenkierron rytmejä on mitattu molemmilla menetelmillä ja vertailtu keskinäistä korrelaatiota. Kyseisen tutkimuksen tuloksista voidaan todeta, että korrelaatio on erinomainen sekä hermostollisilla- että hengitys- että sydämenlyöntitaajuuksilla. Kerrannaistaajuuksilla sitä vastoin korrelaatio laskee nopeasti suuremmille taajuuksille mentäessä. Nämä tulokset osoittavat, että dynaaminen infrapunakuvaus tarjoaa mahdollisuuden fysiologisten ilmiöiden tutkimiseen ilman, että mittauksissa ihmisen kehoon tuodaan ylimääräistä energiaa mittauksia varten.

Edellä mainitusta tutkimuksesta on kuitenkin hyvä huomioida, että taajuusanalyysin onnistumiseen vaikuttaa moni tekijä ja mm. kuvankäsittelyllä ja pikseleiden keskiarvottamisella tulosta voidaan mahdollisesti parantaa, kuten tässä työssä myöhemmin tuodaan esille.

Runsaasti tutkimusta on tehty lähi-infrapuna-alueen ja sovelluksilla (0,8 - 2,5 pm), jossa tavanomaisessa menetelmässä tutkittavan kudoksen heijastus ja absorptio-ominaisuuksien mukaan saadaan erot terveen ja kasvainkudoksen välille. Näissä menetelmissä kuitenkin johdetaan ulkopuolista energiaa kudokseen, joka tunniste-antureilla vastaanotetaan analysoitavaksi. Esimerkkinä tällaisesta menetelmästä on lähi-infrapuna-alueen optinen tomografia (dynamic near-infrared optical tomography). Ongelma näissä menetelmissä on laitteiston monimutkaisuus sekä rajoittuneet tutkimusalueet kehossa.

Aallonpituusalueilla 8-12 pm, edellisestä poiketen koskematonta mittausta on viimevuosina tutkittu ja kehitetty, joskin tavanomaiset sovellukset ovat keskittyneet kuvantamiseen aallonpituusalueella 9-10 pm kvanttikaivokameroilla (QWIP). Tulokset sovelluksilla ovat lupaavia, joskin kuvantamisessa suuri ongelma on potilaan liike kuvauksen aikana. Tällaisessa tavanomaisessa menetelmässä perusperiaatteet ovat seuraavat: Kuvataan kohteen koko rinnanalaa (kuvattavan koko yläkeho samassa kuvassa), kuvaustaajuus on esim 20 -50 Hz minkä jälkeen kuvakehysten pikselit keskiarvotetaan S/N -suhteen lisäämiseksi. Tämän jälkeen datalle suoritetaan taajuusanalyysi halutulla taajuudella. Tavanomaisessa menetelmässä voi olla myös infrapunakameralla tallennettujen kuvakehysten mielenkiintoisten alueiden ”ikkunointi” pikselialueisiin. Näistä ikkunoista voidaan taajuusanalyysiin ottaa mm. keskihajonnat, maksimit, keskiarvot, maksimi miinus minimi, maksimi miinus keskiarvo jne. Näistä arvoista tehdään kustakin jokaisen, ajan funktiona tallennetun kuvakehyksen vastaavan ”ikkunan” arvoista taajuusanalyysi ja vastaavasti käyräesitys taajuuden funktiona. Selkeää kuvaa niistä laskentayhdistelmistä, joilla kasvaimen erottaminen onnistuu, ei ole mainintaa.

Jossain tavanomaisissa menetelmissä infrapunakuvauksen yhteydessä muodostetaan kohteesta kolmiulotteinen malli, johon 2D-tasossa otetut infrapunakuvat istutetaan. Näissä menetelmissä infrapunakuvia ei oteta kohtisuorassa akselissa kaarevan muodon pintaa vastaan vaan näissä käytetään kahden rinnakkaisen kameran kuvan muodostamaa, kuvankäsittelyn avulla tehtyä, kolmiulotteista mallia. Lisäksi näissä menetelmissä ns. ”riskiperusteinen” . -arvio, jonka mukaan tehdään teoreettinen arvio mahdollisen kasvaimen olemassa olosta - nämä menetelmät eivät siis edusta absoluuttista mittaustulosta. Tällaisia menetelmiä valmistaa mm Israelilainen yritys nimeltä Real Imaging Ltd.

Huomionarvoista on, että edellä mainituissa, tavanomaisissa menetelmissä järjestelmä ei käsittä kuvauskohteen ja kuvauslaiteen kohdistusta toistensa suhteen käyttäen apuna näkyvän valon alueella toimivaa kameraa, jonka tuottama kuvadata toimisi säätöjärjestelmän asema- ja säätötietona.

Keksinnön selitys ja edullisen suoritusmuodon kuvaus Tätä keksintöä selitetään tässä yksityiskohtaisemmin viitaten keksinnön edullisiin suoritusmuotoihin esimerkkeineen. On huomattava ja ymmärrettävä, että ne annetaan vain esimerkkinä ja ovat vain kuvaavia tarkoituksia varten. Tässä suoritusmuodon kuvaus on esitetty, jotta tässä kuvattua keksintöä voidaan ymmärtää vieläkin paremmin. On ymmärrettävä, että nämä kuvaukset/esimerkit ovat vain kuvaavia tarkoituksia varten eikä niitä pidä tulkita millään tavoin tätä keksintöä rajoittaviksi. Tämän keksinnön menetelmä perustuu keksijän monivuotiseen laajaan kehitystyöhön. Lääketieteellinen, Non-invasiivinen, mikrometriaallonpituusalan kuvantaminen vaatii integroidun kuvauspeti-kamerajalusta yhdistelmän, jotta kuvakulma ja kuva-ala voidaan hallita kuvauskohteen (potilaan) mukaan eliminoiden mm. kameran jäähdytysjärjestelmän aiheuttamat kameravärinät. Tällainen integroitu kuvauspetijärjestelmä antaa ohjelmalliselle kuvavakautusjärjestelmälle parhaat edellytykset jäännösheilunnan eliminointiin.

Pikselikohtainen taajuusanalyysi on yhden kuvauskerran analyysivaihtoehdoista selkein ja tuloksia parhaiten selittävä. Ihmisen kehon lämpövaihtelut ja -kohdat ovat kuitenkin erittäin moninaiset sekä yksilölliset ja tutkimusten pohjalta yhden kuvauskerran tuloksissa on tulkintakohtia, joista voidaan päätellä tarve vertailu- eli referenssikuvista/-analyysituloksista luotettavaan analyysitulkintaan. Rintasyövän toteamisessa tämä tarkoittaa ensimmäisen kuvauskerran pikselikohtaisen taajuusanalyysin jättämistä seuraavien kuvauskertojen analyysitulosten vertailumateriaaliksi, joihin vertaamalla voidaan todeta mahdolliset muutokset. Muutosten luotettava toteaminen vaatii sen, että kuvaukset voidaan tehdä potilaskohtaisesti aina täysin samasta kohtaa kuvattavaa potilasta (kuvakulma, kameran sijainti potilaaseen nähden, potilaan asento). Kun kuvaukset on suoritettu samasta kohtaa, voidaan pikselikohtaisia analyysituloksia vertailla referenssituloksiin eri kuvankäsittelymenetelmin mm. vähennys (subtraktio) -operaatiolla (ks. liite 1, kuva 4).

Jotta yllämainittu vertailu ja analyysi onnistuisi, tulee integroitu kuvauspeti ja potilaan asemointi toteuttaa esimerkiksi seuraavasti: 1. Kehon kuvauksenaikainen liike pyritään minimoimaan mahdollisimman täydellisesti. 2. Kuvauskohteen asema kameraan nähden on toistettavissa asemoimalla kuvattava henkilö tarkasti tuoliin. Asemointi toteutetaan säätämällä tuolin asetukset automaattisesti tai manuaalisesti vastaamaan kuvattavan henkilökohtaisia mittoja. Näin muodostetut asetusarvot ovat tarkasti toistettavissa seuraavissa kuvauksissa. 3. Kamera on liitetty kiinteästi kuvaustuolikokonaisuuteen kuuluvan kiinnitysvarren välityksellä, jolloin kameran asema ja kuvakulma kuvattavaan nähden on vakaa ja tarkasti toistettavissa. 4. Kuvattavan asemoinnissa hyödynnetään tukirangan ristikkorakenteenomaisia piirteitä ja kehon kohtia, joissa tukirangan ja ihon välinen pehmytkudos on ohut (kyynärpäät, solisluut, lantion seudun luusto). 5. Kehon paikoituksella saavutetaan stabiili kuvaustilanne, joka on perustana kuvauskohtatoistettavuudelle. 6. Järjestelmä mahdollistaa kuvauskohtatoistettavuuden edelleen parantamisen esimerkiksi konenäköön perustuvan hahmotunnistuksen avulla. Samoin se mahdollistaa myös kameran dynaamisen suuntauksen, jolloin myös kuvauksen aikaisen liikkeen, kuten hengityksestä johtuvan, vaikutus eliminoidaan pois.

Laitteistoon voi kuulua esimerkiksi: 1. Runko, johon liittyy: 2. Istuin, jonka istuinosa asettuu automaattisen tai manuaalisen asemasäädön ohjaamana haluttuun asemaan. 3. Käsituet, jotka suuntautuvat vaakasuorassa tai halutussa kulmassa ylöspäin sivuille ja joissa on automaattisen tai manuaalisen asemasäädön ohjaamana toimivat, kyynärpäihin tai muihin käden kiinteisiin kohtiin tukeutuvat, kehon keskittävät tuet. 4. Säädettävät tuet, joita vasten keho asetetaan istuinosan pystysuoralla asetuksella 5. Kameran kiinnitysvarsi, jossa on automaattisesti ohjelmoitava tai manuaalisesti säädettävä 4 tai suuremman vapausasteen kulma- ja paikka-asetus

Edellä esitetyn kuvausalustan/-pedin toiminta rintakuvauksessa (tämä vain esimerkkinä ja kuvattua ei pidä millään tavoin tulkita keksintöä rajoittavana).

Kuvattava asettuu kuvausalustalle, jonka jälkeen olkatuet asetetaan esimerkiksi siten, että kuvattavan kädet lepäävät käsituilla. Samalla kuvattava pitää kiinni esimerkiksi kyynärtukiohjainten käsikahvoista tai asettaa näitä varten suunnitelluille tuille, jolloin käsivarret ovat kyynärpäistä taivutettuina ylöspäin esimerkiksi. 80 -100e kulmaan. Istuinosan korkeussäätö suoritetaan siten, että kuvattava on mahdollisimman luontevassa asennossa sekä käsitukiin että olkatukiin nähden. Istuinosan kuvattavakohtainen korkeusasema taltioidaan tietokoneen muistiin, tai manuaali säätöjen asennot kirjataan ylös, jolloin asema on toistettavissa.

Kyynärtukiohjaimet ohjataan automaattisen asemasäädön avulla tai mekaanisesti, symmetrisesti kyynärpäitä vasten, jolloin kuvattava keskittyy tuoliin ja kehon sivuttainen liike estyy. Samalla olkatuet estävät kehon pystysuuntaisen kiertymisen. Kyynärtukiohjainten asema taltioidaan tietokoneen muistiin tai kirjataan muutoin ylös.

Kameran kiinnitysvartta ohjataan PC -käyttöliittymältä, josta kamera suunnataan halutuista kulmista ja - asemista kohteeseen tai vastaava tehdään manuaalisesti mekaniikkaa hyväksikäyttäen. Kiinnitysvarren kaikkien kuuden vapausasteen kulma-asemat taltioidaan jatkotoimenpiteitä varten. Kuvaustuolin käyttöliittymäohjelmisto voidaan toteuttaa usealla eri tavalla riippuen siitä, miten laitteen ja sitä käyttävän hoitohenkilöstön välinen kommunikointi halutaan järjestää. Määräävänä tekijänä on se, miten kuvattavan ensimmäinen kuvausprosessi toteutetaan. Siinä määritetään laitteen asetuksille/mekaanisille säädöille kuvattavan henkilökohtaiset arvot.

Edellä kuvatun mukaisesti ensimmäisessä kuvauksessa käytetyt tuolin ja kameran asetusarvot taltioidaan tietokoneen muistiin tai mekaaniset säätöarvot kirjataan ylös kuvattavan henkilökohtaisina asetuksina. Seuraavissa kuvauksissa kuvaustuoli asettuu automaattisesti kuvattavaa vastaaville asetuksille tai vastaavat säätöarvot asetetaan mekaanisesti edellisen kuvauksen mukaisesti. Samoin toistetaan identtisenä ensimmäisessä kuvauksessa määritetty kameran kuvaussekvenssi.

Diganostiseen kuvaukseen eli kuvaukseen, josta täytyy luotettavasti saada analyysilopputulos yhden kuvauksen materiaalista, referenssikuvien käyttö on luonnollisesti hankalaa, jos henkilöstä ei ole vertailumateriaalia. Diagnostinen käyttö tälle menetelmälle on kuitenkin mahdollista erityisesti jos kuvanvakautus sekä potilaan ja kameran asemointi saadaan integroidulla kuvauspedillä hallintaan. Tässä tapauksessa tehdään spektrianalyysi yhden kerran kuvasekvenssille tai samaan kuvaus- ja analyysikertaan voidaan sisällyttää kaksi kuvauskertaa, jolloin ensimmäinen spektrianalyysi.toimii verrokina toisen kuvauksen analyysille. Toisessa kuvauksessa voidaan potilaalle antaa jotain verenkiertoa ja/tai verisuonia laajentavaa lääkettä/ainetta, jolloin toisen kuvauskerran spektrianalyysiin saadaan eroja ensimmäisen kuvauskerran tuloksiin verrattuna (syöpäkasvaimet saadaan näin ilmentymään tuloksessa). Toinen kuvauskerta voidaan myös suorittaa ilman potilaalle annettavaa lisäainetta.

Analyysimenettely, joka käyttää referenssivertailuun sopivaa, pikselikohtaista taajuusanalyysiä voi olla varsin luotettava perustuen potilasaineistosta saatuun kokemukseen (näkyvät ja selkeät aineenvaihduntamuutokset syöpäalueella). Tällainen kuvaus ja analyysimenetelmä voisi sopia esim. rintasyöpäseulontaan muiden tutkimusmenetelmien (mammografia) tueksi. Täysin säderasituksesta vapaana ja kokonaisedullisena (ei vaadi lääkärin läsnäoloa kuvausvaiheessa) menetelmänä kuvaukset voisi aloittaa nykyistä seulonnan aloitusikärajaa aiemmin. Tästä olisi erityistä hyötyä mm riskiryhmien aikaisessa seulonnassa. Rintasyövän hoitovasteen seurannassa tulokset tulevat olemaan todennäköisesti hyvät.

Algoritmien ja sovelluksen kehittämisessä nämä ovat toteutettu kokonaisjärjestelmään siten, että hoitohenkilökunta voi yksinkertaisesti ja systemaattisesti kerätä tapauskohtaista dataa potilaista . Tämä tarkoittaa sitä, että ohjelmisto ja kokonaisjärjestelmä ovat niin helppokäyttöisiä että koko kuvaus analyysituloksineen saadaan vain muutamaa ”nappia” painamalla. Tähän on päästy ketjuttaen sovelluksen ohjelmavaiheet yhdeksi funktio- ja algoritmikokonaisuudeksi.

Ohjelmallinen kuvavakautus voidaan toteuttaa jopa yhden pikselin tarkkuudella. Ohjelmallisen kuvavakautuksen suurin ongelma on sopivien ”markkereiden” löytyminen. Markkereiden lämpötila ei saisi nousta kehon lämpötilan tasolle, jotta niistä olisi hyötyä kuvan x-y -siirtymän ja kuvakierron korjauksessa. Markkerimateriaalina huokoinen materiaali voi toimia paremmin kuin kiinteä, koska kiinteillä markkereina lämpötila nousee johtumisesta johtuen nopeammin kuin huokoisilla materiaaleilla

Yksityiskohtia oikeasta suoritusmuodosta

Kuvaustilanteen hallinta ja vaikutukset lopputulokseen, kuvankäsittely ja spektrianalyysit

Seuraavia kuvauksia ei saa tulkita tätä keksintöä rajoittavana, nämä on vain annettu esimerkkinä, jotta keksintöä voidaan ymmärtää paremmin.

Kuvausetäisyydellä on tärkeä merkitys kuva- ja spektrianalyysin onnistumisen kannalta. Tällä aallonpituusalueella toimivat kamerat on varustettu ilmaisinmatriiseilla, joissa enimmillään on 640 x 512 pikseliä (kaupalliset sovellukset). Pikseleitä kun on rajallinen määrä käytössä, on syytä ottaa kuva-alalle kohteesta niin paljon hyötypikseleitä kuin mahdollista. Tämä tarkoittaa sitä, että varsinaisen kohteiden ulkopuolelle jääviä alueita ei ole mielekästä ottaa kuva-alaan. Pikseleiden keskiarvoittaminen voi parantaa NETD -arvoan (Noise Equivalent Temperature Difference -arvoa) sekä S/N -suhdetta, ei siis ole järkevää rajoittaa tätä mahdollisuutta kuvaamalla kohdetta niin kaukaa, että keskiarvottamisen mahdollisuus rajoittuisi.

Rintasyöpätutkimuksessa on hyödyllistä ottaa ”erityistarkasteluun” kiinnostavat kohteet esim ”croppaamalla” eli rajaamalla jokin kuvan sisempi alue ja tehdä tämän jälkeen ao. alueelle kuvankäsittelyt ja spektrianalyysit. Jotta tämä on järkevää tehdä, tulee riittävä määrä pikseleitä jäädä croppausalueelle. Kuvausetäisyys on saatettava niin lähelle kohdetta kuin mahdollista. Kuvausetäisyys rintakuvauksessa on hyvä olla 0,5 m, mutta ei enempää (FOV 20e). Kuvausetäisyyttä rajottaa lisäksi kameroiden minimietäisyydet (riittävä määrä fotoneja ilmaisimille signaalin muodostusta varten). Tyypillinen minietäisyys on 0,3 m. Kuvausetäisyyden minimiä tukee lisäksi tosiasia, että kuvausnopeus on suhteessa kuva-alaan, eli kuva-alaa pienentämällä saadaan suuremmat kuvausnopeudet (frame/s).

Kuvauskulma

Kuvauskulmalla on suuri merkitys kuvadatan luotettavuuden kannalta. Kuvauskulman kasvaessa verrattuna kohtisuoraan kuvakohdetta vastaan, kohteen emissiivisyys alkaa laskea.

Seuraavassa kuvassa (liite 1, kuva 5) on esitetty lämpimällä vedellä täytetty ilmapallo kuvattuna infrapunakameralla kohtisuoraan alapuolelta. Ilmapallon kumipinta on emissiivisyydeltään lähellä arvoa 1, joten se on verrattavissa mustankappaleen säteilijään ja ihmisen ihoon.. Kuvasta huomataan, vaikka kuva on pakkauksessa epätarkentunut, että kuvauskulman muuttuessa (pallon kaarevuus reunoja kohti) lämpötila muuttuu.

Edellä mainittu lämpötilan lasku johtuu ao. alueen emissnvisyyden laskusta, joka vastaavasti johtuu kuvauskulman muuttumisesta kohtisuoraan kameran linssiä vastaan (liite 1, kuva 6). Lääketieteellisessä ja erityisesti rintojen infrapunakuvauksessa tämä tarkoittaa sitä, että kuvauskohtia yhdestä rinnasta tulee olla useampia kuin yksi. Lisäksi analyysidatasta on pystyttävä hahmottamaan ne alueet, joissa ao. kuvauskulma ylittää tuon 40e (liite 1, kuva 7 ja 8). Jotta kuvauksen mielekkyys sekä ajallinen että kustannustehokkuus säilyisi, ei kuvauskohtia ei tulisi olla 3 -4 kohtaa enempää.

Potilaan ja kameran keskinäinen suhde (heilunta vs. vakauttaminen)

Kuvadatan analyysien onnistumisen kannalta on ehdottoman tärkeää, että kuvaustilanne hallitaan sekä etäisyyden että liikehäiriön suhteen hyvin. Potilaan liikkeenhallinta kuvausten aikana sekä kuvadatan vakautus on taajuusanalyysin kannalta kaikkein merkityksellisin. Pikselikohtaiseen taajuusanalyysiin tämän merkitys korostuu erityisesti aluekohtaiseen taajuusanalyysiin verrattuna.

Infrapunakuvadatan analyysit alkavat vaiheittain kuvakehysten keskiarvoituksella ja tämän jälkeen siirrytään vasta kuvalliseen vakautukseen. Tämä järjestys on todettu eri tutkimuksissa toimivaksi ja välttämättömäksi, koska esim. 640 x 512 kuvakehykselle ohjelmallinen kuvavakautus on aikaa vievä prosessi. Vakauttamisen vaikutus yksittäisenä kuva-analyysin vaiheena on merkittävin analyysien kokonaisonnistumisen kannalta. Seuraavan simuloidun kokeen avulla on helppo todeta vakautuksen merkitys pikselikohtaisen taajuusanalyysin lopputuloksiin. Tässä vakautetaan alla esitetyn mukainen liikkuva kuvakokonaisuus, joka koostuu erivärisistä ruuduista, palloista ja tähdistä. Kokonaisuus heiluu kuvakeskipisteen suhteen sekä kiertona että x ja y -suunnassa. Osa kuvaelementeistä on vuorotellen näkyvillä ja näkymättömissä 2,5 Hz taajuudella. Vakautuksen tulos on esitettynä liitteen 1 kuvassa 9.

Vakauttamista varten voi tehdä eri ohjelmistoympäristöissä toimivan vakautusohjelman, joka voi esimerkiksi toimia siten, että se esittää käyttäjälle kuvakehyssarjan ensimmäisen kuvan, josta käyttäjä valitsee hiirellä näppäämällä kaksi laadultaan hyvää, kiinteäksi tunnettua (tai kiinteää hyvin vastaavaa) pientä maamerkkiä. Ensimmäinen piste on kuvanvakautuksen keskipiste, jonka on hyvä olla tutkittavan kuva-alueen lähellä. Toinen, mieluusti riittävän etäältä ensimmäisestä valittu piste määrittää ensimmäisen pisteen kanssa perusjanan, jonka avulla mitataan ja korjataan seuraavien kuvien kiertymää. Ohjelman suoritus jatkuu esimerkiksi heti ilman eri toimenpiteitä, kun toinen piste on valittu hiiren avulla. Pisteiden ympäriltä esimerkiksi erotetaan neliömäinen vertailualue, jonka kokoa voi säätää käynnistyksen yhteydessä. Tätä vertailualuetta muistuttavaa aluetta etsitään seuraavissa kuvissa tietyltä enimmäisetäisyydeltä edellisen kuvan löytöpaikkaan verrattuna. Etsintäetäisyyttä voi myös säätää komentoriviltä. Ohjelman ajoajat vaihtelivat minuuteista tunteihin syötemateriaalista riippuen (kuvakehyksen pikseleiden määrä + kuvakehysten lkm) .

Ohjelman suorituskyky riippuu valittujen pisteiden visuaalisesta laadusta. Jos maamerkit "elävät" esimerkiksi sumenevat kameran liikkeen häiritseminä, ohjelman suorituskyky saattaa heiketä samassa suhteessa.

Datan spektrianalyysit

Patentin mukaisessa menetelmässä spektrianalyysit on mahdollista suorittaa kuvasarjasta aseistetuille alueille (esim. 20x20 tai 10x10 pikseliä) tai pikselikohtaisesti. On huomioitavaa, että kuvasarjat, jotka on otettu kameralla, missä on pikseleitä runsaasti (esim. 640 x 512), Ikkunointi esimerkiksi 20x20 pikselin alueisiin tuo keskiarvoituksesta (2x2 pikseliä) huolimatta 165 aluetta yhdelle kuvakehykselle. Spektrikäyräesityksessä tulee esitettäväksi näin ollen tuo 165 taajuuskäyrää, joista jonkun tietyn käyrän tulkitseminen saattaa olla. Aseistamisen voi tehdä myös vain kohdille, jotka staattisessa kuvassa näyttävät mielenkiintoisilta kuten normaalia lämpimämmät kohdat jne. Näin analyysikäyrästön lukeminen saadaan selkeämmäksi, mutta tässä on kuitenkin vaarana, että mielenkiintoisia kohteita voi jäädä analysoimatta.

Kuvasarjoille tehtäviin taajuusanalyyseihin liittyvät samat lainalaisuudet kuin minkä tahansa signaalin käsittelylle. Liitteen 1 kuvassa 10 on esimerkin omaisesti kokeellisesti testattu ja todistettu alueistaminen ja taajuusanalyysin dynaamisesta kuvadatasta käytännössä. Kuvan vasemmalla puolella on lähtöaineisto, jossa on 2,5 Hz taajuudella esiintyviä komponentteja (tähdet ja pallo). Edellä mainitun kuvan oikeassa yläkulmassa nähdään kuvakehysten taajuusanalyysin käyräesitys ao. aineistosta, josta esitetään alueellisen taajuusanalyysin toimivuus siten, että nuolet osoittavat niitä kohtia jota esitetyllä taajuudella on etsitty. Kuvassa oikealla alinna spektrianalyysin amplitudin huiput edustavat tällä taajuudella ja näillä kohdilla olevaa muutosta ko. taajuudella.

Menetelmän mukainen taajuusetsinfunktio, -algoritmi tai -ohjelma voi olla esimerkiksi seuraavanlainen. Ensimmäinen funktioversio lukee annetun nimen perusteella sarjan numeroituja kuvia. Numerointi voi alkaa mielivaltaisesta, positiivisesta kokonaisluvusta, jossa on huolehdittava siitä, että tiedostojen numerointi jatkuu yhtenäisenä sarjan loppuun asti. Huomioitavaa on, että numeroiden pituuden on oltava kaikissa nimissä sama ja pituus määräytyy sarjan ensimmäisen nimen antamasta mallista. Syötteiden tyyppi päätellään tiedoston päätteestä.

Funktion kutsu voi olla esimerkiksi seuraava: [Funktion nimi] [Lähtötiedoston nimi] [Tutkittava taajuus] [Keskitaajuus] [Taajuuskaista] [Dynamiikan alaraja] [Dynamiikan yläraja] [Kuvataajuus] [Värimoodi] [Ikkunointi].

Ensimmäisen funktioversion kutsusta voi esim. argumentteja jättää pois lopusta alkaen, jolloin ne korvautuvat koodiin kirjatuilla oletuksilla. Tiedoston nimi on aina pakollinen. Laskennan tuloksena funktio kirjoittaa levylle värillisen esim. AVI -videoleikkeen sekä esim. yhden BMP -kuvan, jossa tutkittavia taajuuksia sisältävä alue näkyy väritettynä siniseksi, vihreäksi tai punaiseksi tutkittavan ilmiön voimakkuuden perusteella. BMP -kuvassa värit esitettäisiin mustaa taustaa vasten, jolloin pienten värialueiden tarkastelu on helpompaa. Ilmaisurajat ovat säädettäviä ja niitä myös täytyy säätää syötteenä annettavan videoaineiston luonteen mukaisesti. Ilmaisutason yksikkö on tehospektristä laskettu desibeli ja nollatasona toimii spektrin keskiarvo ja ennen logaritmiseksi muuntamista. Esitettävä taajuus annetaan hertseinä, samoin taajuuden ympärillä oleva taajuuskaista. Taajuuskaistan arvoksi voi antaa nollan, mikä voisi tarkoittaa laskentaa niin tarkkaan kuin mahdollista. Funktiolle voi antaa syötteeksi värillisiä tai mustavalkoisia kuvia, indeksoinnilla tai ilman kaikissa yhteensopivissa muodoissa, joita Matlab® tukee. Funktion sisällä kaikki materiaali muunnetaan kuitenkin BW -muotoon RGB -komponenttien suhteella, jotka ovat esimerkiksi 0.3, 0.59 ja 0.11. Tämä esimerkkifunktio/-algoritmijoukko on vain lyhyille kuvasarjoille/videoille ja sisältäen ikkunointitoiminnon, jonka avulla voidaan torjua ongelmia, jotka aiheutuvat dynamiikaltaan voimakkaiden ilmiöiden katkeamisesta sarjan alussa tai lopussa. Funktio tekee Fourier -muunnoksen koko leikkeestä/sarjasta. Jos leike tai sarja on hyvin pitkä, laskenta kasvaa epämielekkään suureksi. Pitkien leikkeiden tutkimiseksi funktioita voisi muuttaa esimerkiksi siten, että ikkunointi on aina käytössä ja taajuudet etsitään pituudeltaan rajatusta ikkunasta, joka liikkuu pitkin aika-akselia. Ikkunointi vaikuttaa tutkittavan signaalin dynamiikkaan, joten ikkunoivalle ja ikkunoimattomalle funktiolle on käytettävä eri suuria ilmaisutasoja.

Taajuuksia etsivän ohjelmiston voi myös toteuttaa siten, että. tähän sisältyy kuvan näyttö laskennan aikana. Kuvia syntyy kaksi. Toinen kuvista näyttää esimerkiksi mustalla taustalla väreinä esitettyjä taajuuksia sisältävät kohdat, toinen näyttää kuvasarjan ruutuja, joiden päällä esitetään tarvittaessa läpinäkyvä tai läpinäkymätön versio taajuuksien osoitusväreistä. Levylle tuotetaan esimerkiksi kopio ”osoituskuvasta” ja näppäinkomennon avulla esimerkiksi myös kopio yksittäisestä kuvaleikkeestä tai koko videosta/kuvasarjasta värimerkinnöin.

Funktion kutsu noudattaa edellä esitetyn kutsua, mutta eroja löytyisi seuraavasti:

Nimen osalta, ensimmäisen version ominaisuuksien lisäksi ei tarvita numeroa. Videoleikkeen tyypiksi hyväksytään esimerkiksi Matlab® -yhteensopiva AVI. Kuvasarjan tyyppi/tarkenne voi olla esimerkiksi MAT tai mikä tahansa Matlab® -yhteensopiva, tai muu yleinen kuvatyyppi. Osoitettavasta taajuuskaistasta huomioidaan, jos kaista ulottuu nollataajuuden tai Nyquistin taajuuden yli. Tästä ohjelma antaisi varoituksen. Todellinen kaista määräytyy kuvasarjan pituudesta seuraavan spektrin jakovälin tarkkuudella. Alle yhden jakovälin kaistavaatimuksesta voitaisiin antaa varoitus. Kaistaksi voisi kuitenkin antaa nollan, jolloin laskutoimitukset tehtäisiin yhdelle spektrin jakovälille. Dynamiikan ala- ja yläraja annetaan ensimmäisen version tavoin. Dynamiikka määräytyy nyt tietotyypin mukaan: pienin dynamiikka on liukuluvuilla, jotka vaihtelevat nollasta yhteen, suurin pitkillä kokonaisluvuilla, joiden arvot nousevat miljardeihin. Ylärajaksi voisi antaa myös merkkijonon ”peak”, jolloin yläraja asettuu automaattisesti spektrin korkeimpaan arvoon. Tällöin alaraja asetettaisiin esim. annetun desibelimäärän verran huippuarvon alapuolelle, eikä alarajan etumerkkiä huomioida. Tässä versiossa argumentit annetaan kuten ensimmäisessäkin versiossa ja toiminta noudattaa myös tätä. Näitä argumentteja ovat mm. kuvataajuus, ikkunointi (esim. Blackman tms.) ja niin edelleen. Tässä voidaan esimerkiksi antaa viimeiseksi argumentiksi ”harkon koko (x,y, aika)”, johon liittyy spektrin laskenta kuvalohko kerrallaan. Saman kuvalohkon kaikkien ruutujen läpi muodostama jatkumo esiintyy ohjelman sisällä kolmiulotteisena matriisina, jota voidaan kutsua esimerkiksi ”harkoksi”. Harkon rivi- ja sarakemäärät ovat kuvalohkon korkeus ja leveys, jotka molemmat ovat tämän suuruisia. Harkon syvyysakseleina on aika. Koska kuvasarja käydään läpi sarjan jokaista harkkoa kohden, ohjelman aiheuttama levyhakujen määrä on kääntäen verrannollinen harkon koon neliöön, keskusmuistin käyttö on sitä vastoin suoraan verrannollinen harkon koon neliöön. Harkon kooksi on edullista laittaa suurin mahdollinen luku, joka ei vielä johda virtuaalimuistin käyttötarpeeseen. IR -kuva-analyyseissä funktiossa voi käyttää esimerkiksi harkon kokoja 16 ja 32.

Taajuutta etsivästä ohjelmasta voi kehittää myös edellisiä jatkojalostetumpaa versiota, jolla suorituskykyä voi nosta edellisiin kahteen verrattuna. Ohjelma ei enää kysyisi syötetietojen tyyppiä. Näiden sijaan annetaan kaksi lukua, joista toinen kuvaa kuvapisteen teoriassa pienintä ja toinen suurinta mahdollista arvoa. Myös desimaalit ja negatiiviset luvut hyväksytään, ja niiden puitteissa tietotyyppi saa olla mitä tahansa, mitä analyysiohjelma kykenee käyttämään. Näitä kahta parametria tarvittaisiin videon visuaalisessa tarkastelussa; spektrin laskentaan ne eivät vaikuta. Jos lukualue on liian väljä, videokuva näkyy luonnollista harmaampana ja himmeämpänä. Jos lukualue on liian ahdas (ahtaampi kuin todellinen vaihteluväli), ohjelma keskeytyy ja ohjelma antaa tapahtumasta oman virheilmoituksensa. Lukualuetta ei välttämättä tarvitse antaa lainkaan, vaan molemmat rajat voisi asettaa nolliksi. Tämän ohjelma tulkitsee "päättele itse" -signaaliksi, jonka saatuaan se tutkii dataa ja arvaa, mille arvoalueelle se kuuluu. Kolmatta versiota voi edellee parantaa esim. siten, että laskettuaan ensimmäisen harkon ohjelma antaa summittaisen arvion laskennan kokonaiskestosta. Arvio perustuu olettamukseen, että laskennan nopeus ei muutu. Lääketieteellisten kuvien analysointi ja kuvankäsittely sekä hyödynnettävyys keksinnön mukaisessa menetelmässä

Samoin kuin esimerkiksi röntgenkuvia voidaan keksinnön mukaisen menetelmän dataa käsitellä monella tavalla. Liitteen 1 kuvissa 11-13 esitetyissä kuvankäsittelyvaihtoehdoista voi olla signaali-kohinasuhteelle edullisia vaikutuksia patentin mukaisen menetelmän spektrianalyysejä edesauttavana vaiheena. Esimerkkinä tässä otetaan kuvankäsittelyvariaatioita, joita on käytetty mm. päänalueen röntgenkuville sekä eräälle Thorax-kuville. Näitä kuvankäsittelyvariaatioita voidaan käyttää tallennetulle datalle tuomaan eroja spektrianalyysissä eri taajuuksilla esiintyville ilmiöille.

Esimerkkinä tässä käytetään kuvankäsittelymenetelmiä (joita siis voidaan käyttää myös tallennetuille ir-kuville)., joilla verisuonet saadaan näkyviin röntgenkuvasta, jossa kuvauskohteena ihmisen pään verisuonet). Tässä esimerkissä on käytetty varjoainetta verisuonten näyttämiseen. Kuvassa on alkuperäinen kuva ilman varjoainetta ja tämän jälkeen varjoaineelliset kuvat. Varjoaineellisissa kuvissa mm. koko dynaamisen alueen käyttöönotto auttaa jo itsessään jonkin verran, muttei tuo täydellistä tulosta. Eriasteiset ImAdjust -operaatiot tuovat kontrastia jonkin verran lisää ja mm. alkuperäisestä varjoaineellisesta vähennetyt Bottom Hat + TopHat -operaatiot tuovat selvää parannusta suonien näkyvyyteen. Selvästi paras tulos saadaan, kun kuvasta, jossa käytetty varjoainetta ja koko dynaaminen alue käytössä, vähennetään tämä alkuperäisestä kuvasta jossa ei käytetty varjoainetta. Kuvissa alla on mainittuna oleellinen koodiosa ilman perus load, dicomread, figure yms. komentoja.

Liitteen 1 kuvista 14-19 saadaan näkyviin Thorax -kuvasta kylkiluut niin hyvin kuin mahdollista. Kohtalaisia tuloksia saatiin ImAdjust -operaatioilla, Intrans -operaatiossa keskiarvottamalla, fspecial -operaatioilla ja suodatuksilla, TopHat ja Bottom Hat -operaatioilla sekä HighBass ja Histeq -operaatioilla. Parhaan tuloksen voi saada kun alkuperäisestä vähennettiin TopHat + Bottomhat -summakuva. Ongelma tällaisissa kuvissa on ehdottomasti kontrastin vähäisyys tai rajojen jyrkkyyden muutos on liian pieni. Tällaisiin kuviin ei myöskään reunanetsintäoperaattorit juuri tuo suurta apua. Nämä kuvat ovat verrannollisia rajojensa osalta infrapunakuviin, joissa useinkaan rajat eivät ole selviä vaan ”häipyviä”.

Edellä, liitteessä 1 kuvissa 11-19 esitetyistä kuvankäsittelyvaihtoehdoista voi lisäksi käyttää eräitä variaatioita kuten Bottom Hat, TopHat sekä Wiener -suodatusta muiden mukana. Nämä voi suorittaa esimerkiksi toisen spektrianalyysivaiheen edeltävässä vaiheessa. Spektrianalyysien yhteydessä sekä yleensä lääketieteellisten kuvien analysoinnissa on tiedettävä mitä on tekemässä mitä on tekemässä. Kuvankäsittely, erityisesti suodatukset voivat kadottaa tärkeää dataa analyysin ja kuvatulkinnan kannalta. Jaksottaisessa-/dynaamisessa infrapunakuvauksessa on tärkeää erottaa poikkeamat terveen- sekä kasvainkudoksen välillä, jolloin ei yksittäisen pikselin ominaisarvolla ole merkitystä sen perusoikeellisuuden kannalta. Tärkeää sen sijaan on, että kaikki pikselit sekä analyysialueet on vaiheittain käsitelty täysin samoilla kuvankäsittelymenetelmillä ja ero em. kudosten välillä analyysissä saavutetaan eli tärkeintä on saada suuri kontrasti em. kudosten välille.

Eräissä tutkimuksissa on vastaavissa analyyseissä käytetty viittä eri kuvankäsittelykombinaatiota. Näissä tallennetut kuvasarjat on käsitelty kuvavakautusoperaatiolla ja kuvasarjan kukin kuvakehys keskiarvotettiin 2x2, 4x4 tai 8x8 pikselialueisiin signaali-kohinasuhteen (signal-to-noise) parantamiseksi. Edelliset operaatiot on toteutettu ennen kutakin kuvankäsittely-yhdistelmän suorittamista.

Edellä mainitun keskiarvottamisen jälkeen ensimmäisenä, varsinaisena kuvankäsittelymenetelmänä on käytetty morfologisia kuvankäsittelyoperaatioita kuten morfologinen strukturointi, ns ”subtracting the opening-reconstruction” menetelmä sekä morfologinen TopHat -suodatus. Näistä menetelmistä on runsaasti aineistoa kirjassa ”Digital Image Prosessing Using Matlab®”. Tyypillisesti mm.TopHat -suodatusta käytetään esim. näkyvän valon alueen kuvasarjoissa korjaamaan epäyhtenäistä valaistusta tilanteissa, joissa tausta on voimakkaan tumma itse havaintokohteeseen nähden. TopHat -suodatuksen jälkeen funktioilla kuten ”imadjust” ja ”stretchlim” voidaan lopputulosta vielä parantaa.

Edellä mainittujen operaatioiden jälkeen edellisessä voisi seurata vaihe, jossa cropataan eli ”leikataan” pienempi osa kuvasta ensimmäisen spektrianalyysin perusteella "epäilyttävin" kuva-ala tarkempaa tutkimusta varten. Tällöin mm. kuvataustan ja kohteen reunarajojen virheilmaisut saataisiin minimoitua lopputuloksesta. Cropattu kuva-ala ikkunoitiin 10x10 pikselialueisiin ja jokaisen kuvakehyksen vastaavasta alasta tallennettiin keskiarvo taajuusanalyysia varten. Croppauksen etuna on keskittää analyysin suorituskyky vain sille osalle, joka on mielenkiintoisin ja kuva-alan pienentyessä myös analyysinopeus kuin myös tulkittavuus paranee huomattavasti.

Edellisessä kolmantena kuvankäsittely-yhdistelmänä toimi sama kokonaisuus, mutta lisättynä viimeiseen vaiheeseen ennen spktrianalyysejä Gaussian -suodatus. Eri ohjelma/ohjelmointiympäristöt tukevat suurta joukkoa lineaarisen spatiaalitason suodatusmahdollisuuksia, joista voi kokeilla esim 2D konvoluutiota ja Gaussian alipäästösuodatusta käyttävää 2D -suodatusta sekä 9x9 pikselialueeseen Gaussian alueistettujen ikkunoiden 2D -konvoluutiomatriisia. Gaussian -suodatus poistaa suhteellisen hyvin satunnaisen spatiaalitason kohinan (random spatial noise, RSN) sekä jatkuvan ”rivikohinan” (fixed row noise, FRN) sekä parantaa signaalikohinasuhdetta. Cropatun kuva-alan ikkunoista ttuli tallentaa minimiarvo taajuusanalyysiä varten.

Neljäntenä kuvankäsittelymenetelmänävoi käyttää niinikään sama kuin edellä mutta Gaussian suodatuksen tilalla lineaarinen kuvan eheytysprosessi. Yleensä tallennettu, alkuperäinen kuva kuvasarjassa on jollain tapaa laadultaan huonontunut monista syistä, joita korostavat eri kohinalähteet. Eheytysprosessilla voidaan kuvakehysten laatua parantaa merkittävällä tavalla. Parhaiten tunnettu, lineaarinen eheytysmetodi on Wiener -suodatus (Wiener 1942), voi käyttää myös tässä menetelmässä palauttamaan epäselviä ja sumentuneita, kohinaisia sarjan kuvakehyksiä.

Neljäs kuvankäsittely-yhdistelmä voi käsittää suodatuksen taajuustasossa. Menetelmä oli sama kuin edellä kerrottu menetelmä numero 2, mutta Gaussian -suodatuksen tilalla voi toteuttaa ylipäästösuodatuksen (HPF) yhdessä alueistuksen kanssa. Tässä voi käyttää käytettiin esimerkiksi Butterworth -ylipäästösuodatusta ja suodatettu kuvakehys voidaan skaalata intensiteettiensä mukaan täyteen intensiteettitasoon voi lisätä kontrastia käyttäen histogrammikorjausta/-tasausta. Saaduista alueista tulee erottaa keskiarvot, joiden mukaan taajuusanalyysi toteutetaan.

Viimeisenä kuvankäsittelyvertailumenetelmänä keskiarvotusten jälkeen voi käyttää esimerkiksi alueistusta, joista alueiden minimiarvot (tai maksimit,keskiarvot, max-min, kamin jne) tallennetaan taajuusanalyysiä varten.

Claims (19)

1. Menetelmä rintojen tutkimiseksi ja kasvaimien todentamiseksi kudoksessa eri taajuuksilla ilmenevien fysiologisten ilmiöiden ja muutosten perusteella, käytettäväksi yhdessä tai erikseen mammografiatutkimuksen kanssa nostamaan tutkimusten sensitiivisyyttä ja spesifisyyttä, käsittäen yhden tai useamman eri aallonpituusalueella toimivan kamerayksikön, joka käsittää kamerayksikköön/-köihin toistuvasti kiinnitettävissä ja irrotettavissa olevan optisen komponentin, kuvaustuoliasetelman, joka on tarkoitettu ihmisen rinnan, kaulan, pään ja kainalokuoppien kuvaukseen, potilaan asemoivan tukiasetelma, joka kohdentaa kuvaustuolin, kuvattavan potilaan sekä kamera-asetelman keskeisesti toisiinsa nähden ,TUN NETTU siitä, että menetelmä käsittää matemaattisen menetelmän, joka on toteutettu vakauttamaan tallennetut kuvakehykset toistensa suhteen sekä muodostamaan spektrianalyysi tallennetusta ja käsitellystä datasta ja jossa tutkimuslaite ja menetelmä käsittää kuvauskohteen ja kuvauslaiteen kohdistuksen toistensa suhteen käyttäen apuna näkyvän valon alueella toimivaa kameraa, jonka tuottama kuvadata toimii säätöjärjestelmän asema-ja säätötietona

2. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää tarkennus- ja asemointiyksikön, joka on sovitettu muuttamaan tarkennusta etäisyyden muuttuessa kuvauskohteen ja kuvauslaitteen välillä sekä asemoimaan kuvauskohde sekä kuvauslaitteet toistensa suhteen kuvaustoistettavuuden mahdollistamiseksi.

3. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä on sovitettu kuvaamaan kohdetta ainakin kerran tai useammin ennalta määrätyssä ajassa, joka mahdollistaa luotettavan spektrianalyysin suorittamisen halutulle ilmiölle.

4. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää detketori- / ilmaisinelementtikokonaisuuden, joka viritetty vastaanottamaan onnistuneesti kohteesta emittoivaa säteilyä 3 - 13 pm aallonpituusalueella tai jollain taajuuskaistalla tämän alueen sisällä ja/tai detketori- / ilmaisinelementtikokonaisuuden, joka viritetty vastaanottamaan onnistuneesti kohteesta heijastuvaa säteilyä 0,7 - 3 pm aallonpituusalueella tai jollain taajuuskaistalla tämän alueen sisällä

5. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää tiedonkeruuyksikön, joka kykenee vastaanottamaan ja tallentamaan korkearesoluutioista kuvadataa 1 - 210 Hz taajuudella tai jollain taajuudella edellä mainitun taajuuskaistan väistä

6. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä on sovitettu mittaamaan kohteesta emittoitunutta tai heijastunutta säteilyä ja kuvaamaankohdetta kerran tai useammin jotta kuvattava kohde saadaan hyväksyttävin kuva-aloin katetuksi

7. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä on mahdollistettu ottamaan kaksi tai useamman kuvan kuvauskohteen kustakin hyväksyttyä kuva-alaa käsittävästä kohdasta

8. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä on mahdollistettu yhdistämään kuvien mukaan tehdyt anatomiseen karttaan perustuvat spektrianalyysit spatiaalisesti toisiinsa

9. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä on mahdollistettu kohdistamaan spektrianalyysien tulokset kuvattavan anatomiseen karttaan

10. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä tuo esiin kuvauskohteessa 0 - 200 Hz välisellä taajuusalueella tai tämän alueen sisällä olevalla millä tahansa taajuuskaistalla tapahtuvat ilmiöt hyväksikäyttäen matemaattista menetelmää, jossa tutkittavat funktion suureet määritetään antaen syötteenä a) funktion nimi ja b) lähdetiedoston nimi ja c) tutkittava taajuus ja d) keskitaajuus ja e) taajuuskaista ja f) dynamiikan alaraja (voidaan asettaa automaattiseksi) ja g) dynamiikan yläraja (voidaan asettaa automaattiseksi) ja h) kuvataajuus ja i) ikkunointi

11. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää sähköisesti automatisoidun tai mekaanisen/manuaalisen kuvauskohdeasemoinnin.

12. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää sähköisesti automatisoidun tai mekaanisen/manuaalisen kuvauslaitteen asemointijärjestelmän kuvauskohteen suhteen

13. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen käyttöliittymineen, joka toteuttaa kuvauksessa tallennettujen kuvien (image frame) kohdistuksen haluttujen kuvakohtien suhteen x - y -suunnassa

14. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen käyttöliittymineen, joka voi toteuttaa kuvauksessa tallennettujen kuvien (image frame) kohdistuksen haluttujen kuvakohtien suhteen huomioiden kuvakierron

15. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen, joka kuvauksessa tallennettujen kuvien (image frame) kohdistuksen apuna voidaan käyttää bio-ja/tai ulkoisia markkereita

17. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen, joka kuvauksessa tallennettujen kuvien kohdistuksen lisäksi parantaa kuvien signaali-kohinasuhdetta keskiarvottamalla ja/tai muulla ohjelmallisella ja/tai kuvankäsittelyllisellä tavalla

18. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen, joka suorittaa usean tyyppisten kohinakomponenttien poiston yhdellä suodatusmetodilla tai usean suodatusmetodin kombinaatiolla.

19. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen, joka suorittaa tallennettujen ja/tai muokattujen kuvasarjojen spektrianalyysin halutulta taajuudelta ja/tai halutulta taajuuskaistalta siten, että spektrianalyysissä matemaattinen menetelmä tunnistaa automaattisesti tutkittavan datan dynaamisen alueen.

20. Patenttivaatimuksen 1 mukainen menetelmä, TUN NETTU siitä, että tutkimuslaite ja menetelmä käsittää analysointisovelluksen, joka voi suorittaa kahden tai useamman spektrianalyysin vertailun toistensa suhteen siten, että vertailutulos esittää analyysituloksena muutokset ja poikkeamat kuvatavan anatomisena karttana spektrianalyysissä, jossa spektrianalyysi muodostetaan pikselikohtaisesti Patentkrav