PL246923B1

PL246923B1 - Sposób wykrywania obecności nieprawidłowych tkanek za pomocą czasów relaksacji T1 i T2 oraz program komputerowy jako produkt

Info

Publication number: PL246923B1
Application number: PL440045A
Authority: PL
Inventors: Michał Madera; Marta Micek; Justyna Surówka; Dorota Bartusik-Aebisher; David Aebisher; Ewa Kaznowska; Jacek Tabarkiewicz
Original assignee: Softsystem Spolka Z Ograniczona Odpowiedzialnoscia
Priority date: 2021-12-30
Filing date: 2021-12-30
Publication date: 2025-03-31
Also published as: US20230213601A1; PL440045A1

Abstract

Przedmiotem zgłoszenia jest sposób wykrywania obecności nieprawidłowych tkanek za pomocą czasów relaksacji T1 i T2, a także program komputerowy realizujący ten sposób oraz zastosowanie sposobu w systemie ekspertowym. Czasy relaksacji T1 i T2 wyznacza się w urządzeniu obliczeniowym (2) na podstawie analizy zestawu danych (3) uzyskanych z aparatu (1) do rezonansu magnetycznego. Sposób obejmuje etapy: wczytania (200) do urządzenia obliczeniowego (2) zestawu danych (3) z co najmniej jednej tkanki; wyznaczania obszaru zainteresowania (400); wyznaczanie średniej (401) wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania na każdym ze skanów z osobna; wykrywania skanów (402) z danymi odstającymi w każdej serii danych; a jeżeli wykryto skan z danymi odstającymi oznaczanie skanu (403) w serii danych; wyznaczanie czasu relaksacji (404) w obszarze zainteresowania w oparciu o skany z odpowiedniej serii danych oznaczone jako nie odstające; klasyfikowanie tkanki (500) jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki. Przedmiotem zgłoszenia jest produkt programu komputerowego, oraz zastosowanie sposobu w systemie ekspertowym , który wykorzystuje dane kliniczne na temat pacjenta zawarte w bazie danych do wspierania decyzji diagnostycznych.

Description

Opis wynalazku

Przedmiotem wynalazku jest sposób wykrywania obecności nieprawidłowych tkanek za pomocą czasów relaksacji T1 i T2, w szczególności zmian nowotworowych w obrębie tkanki gruczołu piersiowego. Podstawowym zastosowaniem metody jest zapewnienie dodatkowych danych na temat charakteru tkanki pobranej z ciała pacjenta w trakcie operacji usunięcia nowotworu gruczołu piersiowego. Tak uzyskane dane mają dużą wartość dla działania ekspertowego systemu wspierającego diagnostykę. Sposób może mieć również zastosowanie w urządzeniach diagnostycznych.

Systemy ekspertowe stanowią szczególny rodzaj systemów komputerowych opartych na bazie wiedzy, na podstawie której są w stanie oferować konkretne decyzje i wskazówki dotyczące przetwarzanego problemu. Medycyna była jednym z pierwszych obszarów, w których systemy ekspertowe znalazły zastosowanie. Komputerowe systemy wsparcia decyzji klinicznych (CDSS ang. Clinical decisions support systems) są tworzone jako wsparcie dla klinicystów, zarówno w zakresie diagnostyki jak i leczenia pacjenta. Funkcjonalności systemów ekspertowych można zgrupować w kilka kategorii, są to: wspieranie diagnozy, wyszukiwanie informacji, dobór odpowiednich leków, rozpoznawanie obrazów, alerty, powiadomienia planowanie i ocena planów terapeutycznych, w tym analiza planów leczenia w poszukiwaniu błędów, pominięć i niezgodności w oparciu o dane kliniczne chorego i dostępną bazę wiedzy. W systemach ekspertowych powszechnie wykorzystuje się techniki sztucznej inteligencji i eksploracji danych (ang. data mining).

Szersze omówienie zagadnień związanych z tego typu systemami można odnaleźć w publikacji P. Jasłowska, M. Jasłowski, I. Jóźwiak „Zastosowanie systemów wspomagania decyzji klinicznych w diagnozowaniu chorób rzadkich”, Zeszyty Naukowe Politechniki Śląskiej, seria: ORGANIZACJA I ZARZĄDZANIE, 2017, 102 (1975): str. 119-127; oraz w M. Alther, C.K. Reddy, “Clinical Decision Support Systems”, w Healthcare Data Analytics, red.: C.K. Reddy, C.C. Aggarwal, Taylor&Francis Group 2015.

Z publikacji zgłoszenia europejskiego EP3471106 A1 znana jest metoda i system do wspomagania decyzji klinicznych. Dokument ujawnia metodę wspomagania decyzji klinicznych dla diagnozy lub terapii pacjenta przy użyciu systemu obrazowania medycznego, obejmującą etapy: otrzymanie zlecenia procedury; na podstawie otrzymanego zlecenia procedury, automatyczna identyfikacja kontekstu klinicznego zleconej procedury; generowanie wstępnych danych obrazowania co najmniej części anatomii pacjenta; generowanie danych ekstrakcji cech na podstawie zidentyfikowanego kontekstu klinicznego i na podstawie wstępnych danych obrazowania; wyodrębnianie co najmniej jednej cechy specyficznej dla kontekstu klinicznego przy użyciu wygenerowanych danych ekstrakcji cech; opisywanie co najmniej jednej wyodrębnionej cechy specyficznej dla kontekstu klinicznego w celu uzyskania co najmniej jednej wyodrębnionej cechy z adnotacjami; dla zidentyfikowanego kontekstu klinicznego, wybieranie podobnego zestawu danych przypadku z referencyjnej bazy danych zestawów danych przypadków w oparciu o co najmniej jedną wyodrębnioną cechę z adnotacjami.

Obrazowanie metodą rezonansu magnetycznego, czy też badanie rezonansem magnetycznym, to nieinwazyjna metoda uzyskiwania obrazów wnętrza obiektów. Ma zastosowanie w medycynie, gdzie jest jedną z podstawowych technik diagnostyki obrazowej (tomografii), oraz w badaniach naukowych. Obrazowanie magnetycznorezonansowe opiera się na zjawisku magnetycznego rezonansu jądrowego.

Jednym z parametrów uzyskiwanych w trakcie badania rezonansem magnetycznym są czasy relaksacji jądrowej powiązane ze zjawiskiem swobodnej precesji. Wyróżnia się czas relaksacji wzdłużnej T1, oraz czas relaksacji poprzecznej T2. Znanych jest wiele publikacji wskazujących różnorodność zastosowań analizy czasu relaksacji. Najczęściej badanymi tkankami/układami są układ nerwowy, zwłaszcza mózg, oraz tkanki łączne, takie jak chrząstka.

Techniki stosowane do obrazowania ilościowego znacznie się różnią w zależności od obszaru ciała i rodzaju badanej tkanki. W niektórych badaniach wdrożono stosunkowo proste protokoły, wykorzystujące cewki ogólnego przeznaczenia, podczas gdy w innych stosowano złożone i dostosowane podejścia do obrazowania serca lub naczyń krwionośnych. Niektóre z zagadnień omówiono szerzej w publikacjach:

N. Schwendener, C. Jackowski, F. Schuster, A. Persson, M. J. Warntjes, and W.-D. Zech, “Temperature-corrected post-mortem 1.5 T MRI quantification of non-pathologic upper abdominal organs,” Int. J. Legal Med., vol. 131, no. 5, str. 1369-1376, wrz 2017.

T. Rogers i in., “Standardization of T1 measurements with MOLLI in differentiation between health and disease - the ConSept study,” J. Cardiovasc. Magn. Reson., vol. 15, no. 1, p. 78, wrz 2013.

I. Mordi, D. Carrick, H. Bezerra, and N. Tzemos, “T1 and T2 mapping for early diagnosis of dilated non-ischaemic cardiomyopathy in middle-aged patients and differentiation from normal physiological adaptation,” Eur. Heart J. Cardiovasc. Imaging, vol. 17, no. 7, str. 797-803, lip 2016.

M. Granitz i in., “Comparison of native myocardial T1 and T2 mapping at 1.5T and 3T in healthy volunteers,” Wien. Klin. Wochenschr., 2018.

Mitsouras i in., “In vivo differentiation of two vessel wall layers in lower extremity peripheral vein bypass grafts: application of high-resolution inner-volume black blood 3D FSE,” Magn. Reson. Med., vol. 62, no. 3, str. 607-615, wrz 2009.

Istnieje wiele zastosowań (ilościowej analizy MRI) qMRI, od analizy zużycia chrząstki wraz z wiekiem do oceny zmian patologicznych odpowiedzialnych za takie stany, jak choroba Alzheimera czy Parkinsona. Analiza czasu relaksacji jest często stosowana do wizualizacji nieprawidłowości występujących w mózgu i zamiast być wykorzystywana jako bezpośrednia miara stanu tkanek (zdrowa/nieprawidłowa), obrazowanie służy do obliczania objętości części narządów, które w neurologii lub kardiologii są uważane za ważne wskaźniki zdrowia. Czasami różne sekwencje wykazywały różną skuteczność w zależności od zobrazowanej części narządu, jak w przypadku jednego badania mózgu.

E. Olsson i in., “Ultra-high field magnetic resonance imaging parameter mapping in the posterior horn of ex vivo human menisci,” Osteoarthr. Cartil., str. 1-8, 2018.

R. Fermin-Delgado i in., “Involvement of globus pallidus and midbrain nuclei in pantothenate kinase-associated neurodegeneration: measurement of T2 and T2* time,” Clin. Neuroradiol., vol. 23, no. 1, str. 11-15, mar 2013.

C. Stehling i in., “Comparison of a T1-weighted inversion-recovery-, gradient-echo- and spin-echo sequence for imaging of the brain at 3.0 Tesla TT - Vergleich einer T1-gewichteten Inversion-Recovery-, Gradienten-Echo- und Spin-Echo-Sequenz zur zerebralen Bildgebung bei 3.0,” Rofo, vol. 177, no. 4, str. 536-542, kwi 2005.

Większość dostępnych rozwiązań wykorzystujących dane z obrazowania magnetycznym rezonansem jest przeznaczona do analizowania konkretnych tkanek lub układów współpracując z konkretnym urządzeniem do rezonansu magnetycznego. Narzędzia te często nie dysponują środkami odpowiednimi do analizy innych tkanek, w szczególności do analizowania tkanki gruczołu piersiowego. Znane i dostępne narzędzia nie umożliwiają prawidłowego wyznaczenia czasów relaksacji dla tej tkanki.

W przypadku raka piersi diagnostyka obrazowa jest szczególnie istotna. Algorytmy wspierające zaawansowaną analizę różnego rodzaju obrazów okazują się być użyteczne i klinicznie skuteczne. Proponowane rozwiązanie może to nie tylko usprawnić czy ukierunkować proces diagnostyczny, ale też na przykład zostać wykorzystane w monitorowaniu odpowiedzi pacjenta na radio- czy chemioterapię, bądź służyć do oceny radykalności zabiegu chirurgicznego.

Znany jest z publikacji amerykańskiego zgłoszenia US2010225316 A1 sposób automatycznego wyznaczania przedziału ufności na podstawie danych z ilościowego rezonansu magnetycznego (qMRI) różnych tkanek. Metoda opiera się, na względnej ocenie uzyskanych wyników porównując próbkę jednej tkanki z drugą, między innymi wskazując jako wskaźniki czasy relaksacji.

Pomysł wykorzystania czasów relaksacji protonów w diagnostyce nie jest nowy. Obliczenia opiera się obecnie na wariacjach równań Blocha, opublikowanych już w 1946 roku i modyfikowanych później pod kątem pojawiających się nowych metod pomiarowych. Zależnie od zastosowanej technologii rejestrowany sygnał może przybierać różną postać, a dodatkowo pod uwagę może być brana znaczna liczba czynników w mniejszym lub większym stopniu wpływających na procesy relaksacji.

Stosowane sekwencje impulsów radiowych manipulują magnetyzacją atomów na różne sposoby, a każdy z nich może być ukierunkowany na uzyskanie specyficznych efektów, takich jak zwiększenie kontrastu danej tkanki, jej wygaszenie lub zminimalizowanie zakłóceń pola magnetycznego i spowodowanych nimi zniekształceń. Zależnie od procedury, użytego sprzętu i analizowanego obszaru ciała lub rodzaju próbki czas badania może sięgać od kilku minut do kilku godzin.

Dotychczas nie wykorzystywano rezonansu magnetycznego, a w szczególności czasów relaksacji, do analizy zmian nowotworowych w obrębie piersi. Dodatkowo podczas prób tworzenia ewentualnych standardów uzyskanych wartości czasów relaksacji i porównywania wyników między pacjentkami i osobnymi badaniami trudność stanowi fakt, że tkanki w obrębie piersi charakteryzują się znaczną zmiennością osobniczą pod względem zawartości wody, tłuszczu i ogólnej struktury. Jest to jedna z trudności nie występujących w tak dużym stopniu w przypadku obrazowania innych obszarów ciała lub tkanek.

Większość znanych narzędzi do analizy wyników rezonansu magnetycznego nie umożliwia analizy czasów relaksacji dowolnej tkanki. W oparciu o przeprowadzone dotychczas badania wydaje się, że optymalnym podejściem jest stosowanie uzupełniająco, obok mammografii, badania rezonansem magnetycznym, ponieważ zależnie od struktury piersi i charakteru potencjalnych zmian nowotworowych nie znanych zawczasu (np. podczas badań przesiewowych) bardziej skuteczna może się okazać każda z nich.

Podchodząc do obliczania stałych relaksacyjnych, należy wziąć pod uwagę czynniki wpływające bezpośrednio na wartość zmierzonego sygnału, takie jak wartość zewnętrznego pola magnetycznego lub użycie środków kontrastujących, oraz czynniki decydujące dodatkowo o sposobie zapisu tego sygnału, czyli zastosowane sekwencje pomiarowe.

Informacja o zastosowanej sekwencji i rodzaju obrazu (T1/T2) może zostać pozyskana bezpośrednio z danych zapisanych przez skaner lub na podstawie ich analizy.

Znanych jest wiele metod rejestracji czasów relaksacji. Do najwcześniej utworzonych standardów należą CP (metoda Carra-Purcella albo jej modyfikacja - metoda Carra-Purcella-Meibooma-Gilla dla obrazów T2, obie będące modyfikacjami pierwotnej metody echa spinowego Hahna. Od czasu ich opracowania powstało wiele nowych technik, nastawionych na poprawę jakości sygnału, redukcję artefaktów i skrócenie czasu pomiaru.

Należy zachować ostrożność, porównując wyniki pomiaru czasów relaksacji zmierzonych za pomocą różnych sekwencji, które z racji odmiennego SNR (ang. signal to noise ratio, stosunek sygnału do szumu) oraz innych nie do końca jeszcze wyjaśnionych przyczyn mogą wprowadzać różnice rzędu kilkukilkudziesięciu procent. Pojawiają się też przesłanki do przypisania zmienności zapisanego sygnału zależnej od rodzaju i parametrów zastosowanych cewek w aparatach do rezonansu, jak i zastosowanego kąta odchylenia. Tego typu badania nie były jednak prowadzone na dużą skalę, obejmując małą liczbę powtórzeń biologicznych i technicznych, a większa powtarzalność wyników uzyskanych dla fantomów niż dla pacjentów sugeruje, że nie można w nich wykluczyć roli czynników biologicznych i anatomicznych.

Wartość czasu relaksacji podłużnej T1 tkanek ulega zmianom zależnie od zewnętrznego pola magnetycznego - wraz ze wzrostem siły pola wzrasta czas T1. Podobnemu zjawisku, choć w mniejszym stopniu, ulega czas relaksacji poprzecznej T2, w dodatku istnieją substancje reagujące na zmiany pola magnetycznego jego skróceniem, m.in. związki oparte na żelazie. Ponieważ powszechnie wykorzystuje się urządzenia pracujące w zakresie od ułamka do kilku Tesli, stanowi to dodatkową przeszkodę w porównywaniu wyników niezależnie prowadzonych badań. Podejmowano się na przykład klasyfikacji tkanek nowotworowych piersi ex vivo w bardzo niskich polach, próby te opisano w publikacji Lee, S. J., Shim, J. H., Kim, K., Hwang, S. M., Yu, K. K., Lim, S., ... & Kim, K. S. (2015), “Relaxation Measurement of Ex-Vivo Breast Cancer Tissues at Ultralow Magnetic Fields”, BioMed research international, 2015, co nie zakończyło się sukcesem.

Relaksacja podłużna zależy też w dużym stopniu od temperatury próbki, w związku z czym chociażby w niniejszym projekcie, gdzie badanie będzie przeprowadzane in vitro a próbki tkanek schładzane na czas transportu, istotne będzie utrzymanie ich stałej temperatury podczas badania.

Dodatkowo podczas prób tworzenia ewentualnych standardów uzyskanych wartości czasów relaksacji i porównywania wyników między pacjentkami i osobnymi badaniami trudność może stanowić fakt, że tkanki w obrębie piersi będą charakteryzować się znaczną zmiennością osobniczą pod względem zawartości wody, tłuszczu i ogólnej struktury. Jest to jedna z trudności nie występujących w tak dużym stopniu w przypadku obrazowania innych obszarów ciała lub tkanek.

Wynalazek rozwiązuje problem wyznaczania czasów relaksacji dla próbek histopatologicznych gruczołu piersiowego (in vitro) uzyskanych z wyników pomiarów urządzeniem do rezonansu magnetycznego, które mogą zawierać potencjalne błędy w zestawach danych uniemożliwiające wyznaczanie poprawnych czasów relaksacji powszechnie dostępnymi narzędziami. Wynalazek zapewnia sposób wyliczenia czasu relaksacji mimo występowania w zbiorze danych zakłóconych lub niekompletnych serii pomiarowych. Wynalazek automatycznie eliminuje dane odstające z serii danych w wyznaczonym obszarze zainteresowania i wyznacza parametry charakterystyczne dla badanej tkanki, umożliwiając w ten sposób zastosowanie tak wyznaczonych parametrów w systemie ekspertowym.

Istota sposobu wykrywania obecności nieprawidłowych tkanek za pomocą czasów relaksacji T1 i T2, gdzie czasy relaksacji T1 i T2 wyznacza się w urządzeniu obliczeniowym na podstawie analizy zestawu danych uzyskanych z aparatu do rezonansu magnetycznego z co najmniej jednej tkanki, przy czym zestaw danych obejmuje serie danych, które składają się ze skanów odpowiadających kolejnym momentom w czasie zawierającym informacje o intensywności sygnału zaniku indukcji swobodnej, polega na tym, że obejmuje następujące etapy:

a) wczytania do urządzenia obliczeniowego zestawu danych z co najmniej jednej tkanki, przy czym zestaw danych obejmuje co najmniej jedną serię danych opisujących relaksację wzdłużną i co najmniej jedną serię danych opisujących relaksację poprzeczną,

b) wyznaczania obszaru zainteresowania, przy czym obszar zainteresowania (ROI) nie ulega zmianom pomiędzy kolejnymi skanami w serii danych,

c) wyznaczanie średniej wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania na każdym ze skanów z osobna,

d) wykrywania skanów z danymi odstającymi w każdej serii danych, przy czym analizuje się wyznaczoną średnią wartość intensywności sygnału zaniku indukcji swobodnej w obszarze zainteresowania dla każdego skanu w serii danych,

e) jeżeli wykryto skan z danymi odstającymi oznaczanie skanu w serii danych,

f) wyznaczanie czasu relaksacji w obszarze zainteresowania w oparciu o skany z odpowiedniej serii danych oznaczone jako nie odstające, przy czym czas relaksacji T1 wyznacza się na podstawie serii danych opisujących relaksację wzdłużną, a czas relaksacji T2 wyznacza się na podstawie serii danych opisujących relaksację poprzeczną,

g) klasyfikowanie tkanki jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki.

Korzystnie jest, gdy w etapie d) sposobu przy wykrywaniu skanów z danymi odstającymi, wykorzystuje się algorytm isolation forrest (las izolowany). Algorytm ten został wybrany ze względu na wysoką skuteczność w przypadku danych mało zbadanych, który działa niezależnie od ich rozkładu. Rezultaty badań pokazały, że jest odpowiedni do rozwiązania problemu wyznaczania czasu relaksacji z zakłóconych lub niekompletnych danych.

Korzystnie jest, gdy parametr algorytmu, jakim jest współczynnik opisujący anormalność konkretnej wartości średniej w analizowanej serii danych, wynosi nie więcej niż 0,2, a korzystnie nie więcej niż 0,1.

Korzystnie jest, gdy po etapie e) sposobu w obszarze zainteresowania (ROI) wyznacza się nieskorygowane czasy relaksacji w oparciu o wszystkie skany z odpowiedniej serii danych bez wykluczania skanów z danymi odstającymi, przy czym czas relaksacji T1 wyznacza się na podstawie serii danych opisujących relaksację wzdłużną, a czas relaksacji T2 wyznacza się na podstawie serii danych opisujących relaksację poprzeczną.

Korzystnie jest, gdy przed etapem d) wykrywania skanów z danymi odstającymi wykonuje się: weryfikowanie zapisanych w serii danych czasów echa (TE) i repetycji (TR), przy czym gdy seria danych zawiera stały czas echa (TE) i zmienny czas repetycji (TR) jest prawidłową serią danych opisujących relaksację wzdłużną, a gdy seria danych zawiera stały czas repetycji (TR) i zmienny czas echa (TE) jest prawidłową serią danych opisujących relaksację poprzeczną, w przypadku odmiennych zależności analiza jest przerywana.

Korzystnie jest, gdy wyznaczanie czasu relaksacji obejmuje także:

na podstawie wyznaczonych w etapie c) średnich wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania (ROI) generuje się charakterystykę zmian intensywności sygnału zaniku indukcji swobodnej w czasie, gdzie każdy punkt czasowy odpowiada osobnemu skanowi, wyznacza się krzywą relaksacyjną, będącą krzywą aproksymującą odpowiadającą predefiniowanemu modelowi matematycznemu, następnie dla wyznaczonej krzywej relaksacyjnej wyznacza się czas relaksacji, który jest parametrem tej krzywej, wylicza się miary dopasowania poszczególnych modeli do danych, następnie dokonuje się klasyfikacji tkanki jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki.

Korzystnie jest, gdy wyznaczone czasy relaksacji, krzywe relaksacyjne, oraz charakterystyki zmian intensywności sygnału zaniku indukcji swobodnej w czasie zapisywane są w bazie danych wyników.

Korzystnie jest, gdy predefiniowanym modelem matematycznym krzywej relaksacji jest model wykładniczy, model wykładniczy z przesunięciem albo model dwuwykładniczy.

Korzystnie jest, gdy do klasyfikacji tkanek wykorzystuje się co najmniej jeden spośród algorytmów: naiwny klasyfikator Bayesa, sieć neuronowa, maszyna wektorów wspierających, las losowy, drzewo decyzyjne.

Korzystnie jest, gdy co najmniej jedna tkanka, której zestaw danych dotyczy, jest pooperacyjną próbką guza piersi, potencjalnie nowotworowego.

Program komputerowy jako produkt charakteryzuje się tym, że po uruchomieniu na urządzeniu obliczeniowym wykonuje etapy sposobu według wynalazku.

Korzystnym skutkiem wynalazku jest zapewnienie obiektywnych danych opisujących próbki histopatologiczne, które razem z innymi danymi klinicznymi stanowią istotny element wspierający diagnostykę raka piersi z użyciem ekspertowego systemu informatycznego. Do bazy danych przesyłane są zaakceptowane wartości czasów relaksacji i wstępna klasyfikacja próbki. Obie informacje są wykorzystywane przez system ekspertowy do predykcji czasu przeżycia.

Przedmiot wynalazku w przykładzie wykonania jest uwidoczniony na rysunku na którym fig. 1 przedstawia ogólny schemat układu pomiarowego, fig. 2 przedstawia schemat blokowy ilustrujący podstawowe etapy sposobu, fig. 3 przedstawia porównania krzywej relaksacji wyznaczonej bez usuwania wartości odstających oraz po usunięciu wartości odstających, podano wyliczoną wartość błędu średniokwadratowego dopasowanej krzywej, fig. 4 ilustruje wyznaczony obszar zainteresowania i poglądową mapę T1, fig. 5 przedstawia przykład dopasowania krzywej relaksacji według różnych modeli matematycznych, podano wyznaczone wartości czasu relaksacji.

Sposób według wynalazku został przedstawiony schematycznie na fig. 2. Wykrywanie obecności nieprawidłowych tkanek za pomocą czasów relaksacji T1 i T2 polega na wyznaczeniu w urządzeniu obliczeniowym 2 na podstawie analizy zestawu danych 3 uzyskanych z aparatu 1 do rezonansu magnetycznego z co najmniej jednej tkanki. Zestaw danych obejmuje serie danych, które składają się ze skanów odpowiadających kolejnym momentom w czasie zawierającym informacje o intensywności sygnału zaniku indukcji swobodnej.

Analizowane próbki tkanek in vitro w przykładzie realizacji są badane w stałej temperaturze, schłodzone do temperatury 5 stopni Celsjusza. Tkanki są schładzane na czas transportu, a ich temperatura jest utrzymana na stałym poziomie podczas badania. Badania tkanek prowadzone są przy wartości natężenia pola magnetycznego równego 1.5 T.

Sposób w przykładzie realizacji obejmuje etapy:

200 - wczytania do urządzenia obliczeniowego 2 zestawu danych 3 z co najmniej jednej tkanki, przy czym zestaw danych 3 obejmuje co najmniej jedną serię danych opisujących relaksację wzdłużną i co najmniej jedną serię danych opisujących relaksację poprzeczną,

400 - wyznaczania obszaru zainteresowania, przy czym obszar zainteresowania (ROI) nie ulega zmianom pomiędzy kolejnymi skanami w serii danych,

401 - wyznaczanie średniej wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania na każdym ze skanów z osobna,

402 - wykrywania skanów z danymi odstającymi w każdej serii danych, przy czym analizuje się wyznaczoną średnią wartość intensywności sygnału zaniku indukcji swobodnej w obszarze zainteresowania dla każdego skanu w serii danych,

403 - jeżeli wykryto skan z danymi odstającymi oznaczanie skanu 403 w serii danych,

404 - wyznaczanie czasu relaksacji w obszarze zainteresowania w oparciu o skany z odpowiedniej serii danych oznaczone jako nie odstające, przy czym czas relaksacji T1 wyznacza się na podstawie serii danych opisujących relaksację wzdłużną, a czas relaksacji T2 wyznacza się na podstawie serii danych opisujących relaksację poprzeczną,

500 - klasyfikowanie tkanki jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki.

W pierwszym aspekcie przykładu realizacji przy wykrywaniu skanów 402 z danymi odstającymi, wykorzystuje się algorytm isolation forrest (las izolowany), a parametr algorytmu contamination factor wynosi 0,1.

W drugim aspekcie przykładu realizacji po etapie 403 w obszarze zainteresowania (ROI) wyznacza się nieskorygowane czasy relaksacji w oparciu o wszystkie skany z odpowiedniej serii danych bez wykluczania skanów z danymi odstającymi, przy czym czas relaksacji T1 wyznacza się na podstawie serii danych opisujących relaksację wzdłużną, a czas relaksacji T2 wyznacza się na podstawie serii danych opisujących relaksację poprzeczną.

PL 246923 Β1

W trzecim aspekcie przykładu realizacji przed etapem wykrywania skanów 402 z danymi odstającymi wykonuje się weryfikowanie zapisanych w serii danych czasów echa (TE) i repetycji (TR), przy czym gdy seria danych zawiera stały czas echa (TE) i zmienny czas repetycji (TR)jest prawidłową serią danych opisujących relaksację wzdłużną, a gdy seria danych zawiera stały czas repetycji (TR) i zmienny czas echa (TE) jest prawidłową serią danych opisujących relaksację poprzeczną, w przypadku odmiennych zależności analiza jest przerywana.

W czwartym aspekcie przykładu realizacji wyznaczanie czasu relaksacji 404 obejmuje:

na podstawie wyznaczonych w etapie c) średnich wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania (ROI) generuje się charakterystykę zmian intensywności sygnału zaniku indukcji swobodnej w czasie, gdzie każdy punkt czasowy odpowiada osobnemu skanowi, wyznacza się krzywą relaksacyjną, będącą krzywą aproksymującą odpowiadającą predefiniowanemu modelowi matematycznemu, następnie dla wyznaczonej krzywej relaksacyjnej wyznacza się czas relaksacji, który jest parametrem tej krzywej, wylicza się miary dopasowania poszczególnych modeli do danych, następnie dokonuje się klasyfikacji tkanki jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki, wyznaczone czasy relaksacji, krzywe relaksacyjne, oraz charakterystyki zmian intensywności sygnału zaniku indukcji swobodnej w czasie zapisywane są w bazie danych wyników.

W piątym aspekcie przykładu realizacji predefiniowanym modelem matematycznym krzywej relaksacji jest model wykładniczy, model wykładniczy z przesunięciem albo model dwuwykładniczy, przy czym modele te mają różną postać dla relaksacji podłużnej i poprzecznej.

W oparciu o proces relaksacji podłużnej wyznacza się czas T1. Jako że intensywność sygnału z biegiem czasu narasta, o czasie T1 mówimy w momencie, w którym sygnał osiąga 63% wartości końcowej.

Podstawowy model wykładniczy został oparty o równania Blocha, a równanie krzywej prezentuje się następująco:

M = M₀[l-exp(-t/7O] (1)

W powyższym równaniu M oznacza wypadkową wartość wektora magnetyzacji podłużnej, Mojego wartość końcową (powrót do stanu równowagi po wcześniejszym odchyleniu przez sygnał radiowy), t oznacza czas, a T1 to czas relaksacji podłużnej.

Model wykładniczy z przesunięciem to modyfikacja podstawowego modelu o dodatkowy współczynnik k:

M = M₀[l-k(exp(-t/T₁))], (2) przykładowo k = 2.

M = M₀[l-2(exp(-t/Ą))] (3)

Model dwuwykładniczy, w którym zdefiniowano wagi w_s i wl tzw. krótkiego i długiego składnika czasu relaksacji, a Tu i Tu to wartości tych dwóch składników. W tym modelu wyznaczony czas relaksacji składa się z dwóch liczb.

M = M_ow₅[1 - exp(—t/T_ls)] + M_ow_l[1 - eKpf-t/ĄJ] (4)

Procesy relaksacji poprzecznej są wykorzystywane do obliczania czasu T2. Istnieje kilka podstawowych trudności związanych z rejestracją gasnącego sygnału. Jedną z nich jest konieczność skompensowania obecności linii bazowej lub poradzenie sobie z szumem pomiarowym. Chociaż można znaleźć badania, w których skuteczność modelu wykładniczego została uznana za zadowalającą, częściej spotyka się opinie, że tylko modele bardziej złożone są w stanie odpowiednio odwzorować przebieg procesów relaksacji.

Podstawowy model wykładniczy opisuje w pewnym przybliżeniu zachodzące zjawisko:

M = M₀[exp(—t/^)] (5)

PL 246923 Β1

Model wykładniczy z przesunięciem jest o wiele bardziej wierny, można uzyskać dopasowanie obarczone mniejszym błędem, dodając do podstawowego modelu stałą b. Jest ona w przybliżeniu równa bazowemu poziomowi sygnału (czyli minimum zarejestrowanego po pewnym czasie t »T2):

M = M₀[exp(-t/T₂)] + b (6)

Model dwuwykładniczy pozwala na dopasowanie krzywej relaksacyjnej z jeszcze mniejszym błędem niż wcześniejsze metody. Jednocześnie jest on bardziej podatny na zniekształcenia spowodowane dużym rozrzutem zmierzonych wartości intensywności.

M = M_s[exp(-n(t/T₂J)] + M_L[exp(-n(t/T_2L))] + s (7)

Podobnie jak dla czasu T1 wyznaczony w tym modelu czas relaksacji T2 składa się z dwóch liczb.

W szóstym aspekcie przykładu realizacji klasyfikacji tkanek wykorzystuje się algorytm naiwnego klasyfikatora Bayesa oraz las losowy. Wynikiem jest informacja, czy próbka opisana wyznaczonymi czasami relaksacji jest tkanką prawidłową czy chorą.

W siódmym aspekcie przykładu realizacji najmniej jedna tkanka, której zestaw danych dotyczy, jest pooperacyjną próbką guza piersi, potencjalnie nowotworowego.

W drugim przykładzie realizacji produkt programu komputerowego charakteryzuje się tym, że po uruchomieniu na urządzeniu obliczeniowym wykonuje etapy sposobu określone w pierwszym przykładzie realizacji i z tego powodu nie są tu powtarzane.

W ostatnim przykładzie realizacji zastosowano sposób według pierwszego przykładu realizacji w systemie ekspertowym, który wykorzystuje dane kliniczne na temat pacjenta zawarte w bazie danych do wspierania decyzji diagnostycznych, znamienny tym, że wyznacza się przewidywany czas przeżycia na podstawie danych klinicznych i wyników klasyfikacji uzyskanych według sposobu.

Wynalazek może być zastosowany również w urządzeniach do diagnostyki, zapewniając sposób wyznaczania czasów relaksacji T1 i T2 odporny na zakłócenia i braki danych.

Claims

1. Sposób wykrywania obecności nieprawidłowych tkanek za pomocą czasów relaksacji T1 i T2, przy czym czasy relaksacji T1 i T2 wyznacza się w urządzeniu obliczeniowym (2) na podstawie analizy zestawu danych (3) uzyskanych z aparatu (1) do rezonansu magnetycznego z co najmniej jednej tkanki, przy czym zestaw danych obejmuje serie danych, które składają się ze skanów odpowiadających kolejnym momentom w czasie zawierającym informacje o intensywności sygnału zaniku indukcji swobodnej, znamienny tym, że obejmuje etapy:

a) wczytania (200) do urządzenia obliczeniowego (2) zestawu danych (3) z co najmniej jednej tkanki, przy czym zestaw danych (3) obejmuje co najmniej jedną serię danych opisujących relaksację wzdłużną i co najmniej jedną serię danych opisujących relaksację poprzeczną,

b) wyznaczania obszaru zainteresowania (400), przy czym obszar zainteresowania (ROI) nie ulega zmianom pomiędzy kolejnymi skanami w serii danych,

c) wyznaczanie średniej (401) wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania na każdym ze skanów z osobna,

d) wykrywania skanów (402) z danymi odstającymi w każdej serii danych, przy czym analizuje się wyznaczoną średnią wartość intensywności sygnału zaniku indukcji swobodnej w obszarze zainteresowania dla każdego skanu w serii danych,

e) jeżeli wykryto skan z danymi odstającymi oznaczanie skanu (403) w serii danych,

f) wyznaczanie czasu relaksacji (404) w obszarze zainteresowania w oparciu o skany z odpowiedniej serii danych oznaczone jako nie odstające, przy czym czas relaksacji T1 wyznacza się na podstawie serii danych opisujących relaksację wzdłużną, a czas relaksacji T2 wyznacza się na podstawie serii danych opisujących relaksację poprzeczną,

g) klasyfikowanie tkanki (500) jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki.

2. Sposób według zastrz. 1 znamienny tym, że w etapie d) przy wykrywaniu skanów (402) z danymi odstającymi, wykorzystuje się algorytm isolation forrest (las izolowany).

3. Sposób według zastrz. 2 znamienny tym, że parametr algorytmu, jakim jest współczynnik opisujący anormalność konkretnej wartości średniej w analizowanej serii danych, wynosi nie więcej niż 0,2, a korzystnie nie więcej niż 0,1.

4. Sposób według zastrz. 1 albo 2 albo 3 znamienny tym, że po etapie e) w obszarze zainteresowania (ROI) wyznacza się nieskorygowane czasy relaksacji w oparciu o wszystkie skan z odpowiedniej serii danych bez wykluczania skanów z danymi odstającymi, przy czym czas relaksacji T1 wyznacza się na podstawie serii danych opisujących relaksację wzdłużną, a czas relaksacji T2 wyznacza się na podstawie serii danych opisujących relaksację poprzeczną.

5. Sposób według któregokolwiek z zastrz. 1-4 znamienny tym, że przed etapem wykrywania skanów (402) z danymi odstającymi wykonuje się weryfikowanie zapisanych w serii danych czasów echa (TE) i repetycji (TR), przy czym gdy seria danych zawiera stały czas echa (TE) i zmienny czas repetycji (TR) jest prawidłową serią danych opisujących relaksację wzdłużną, a gdy seria danych zawiera stały czas repetycji (TR) i zmienny czas echa (TE) jest prawidłową serią danych opisujących relaksację poprzeczną, w przypadku odmiennych zależności analiza jest przerywana.

6. Sposób według któregokolwiek z zastrz. 1-5 znamienny tym, że wyznaczanie czasu relaksacji (404) obejmuje:

na podstawie wyznaczonych w etapie c) średnich wartości sygnału zaniku indukcji swobodnej w obrębie obszaru zainteresowania (ROI) generuje się charakterystykę zmian intensywności sygnału zaniku indukcji swobodnej w czasie, gdzie każdy punkt czasowy odpowiada osobnemu skanowi, wyznacza się krzywą relaksacyjną, będącą krzywą aproksymującą odpowiadającą predefiniowanemu modelowi matematycznemu, następnie dla wyznaczonej krzywej relaksacyjnej wyznacza się czas relaksacji, który jest parametrem tej krzywej, wylicza się błąd średniokwadratowy jako miarę dopasowania poszczególnych modeli do danych, następnie dokonuje się klasyfikacji tkanki jako prawidłowej lub nieprawidłowej na podstawie predefiniowanych wartości, które ustala się zależnie od rodzaju badanej tkanki.

7. Sposób według zastrz. 6 znamienny tym, że wyznaczone czasy relaksacji, krzywe relaksacyjne, charakterystyki zmian intensywności sygnału zaniku indukcji swobodnej w czasie oraz miary dopasowania poszczególnych modeli zapisywane są w bazie danych wyników.

8. Sposób według zastrz. 6 albo 7 znamienny tym, że predefiniowanym modelem matematycznym krzywej relaksacji jest model wykładniczy, model wykładniczy z przesunięciem albo model dwuwykładniczy.

9. Sposób według któregokolwiek z zastrz. 1-8 znamienny tym, że do klasyfikacji tkanek wykorzystuje się co najmniej jeden spośród algorytmów: naiwny klasyfikator Bayesa, sieć neuronowa, maszyna wektorów wspierających, las losowy, drzewo decyzyjne.

10. Sposób według któregokolwiek z zastrz. 1-9 znamienny tym, że co najmniej jedna tkanka, której zestaw danych dotyczy, jest pooperacyjną próbką guza piersi, potencjalnie nowotworowego.

11. Program komputerowy jako produkt znamienny tym, że po uruchomieniu na urządzeniu obliczeniowym wykonuje etapy sposobu określone w którymkolwiek z zastrz. 1-9.