تصاویر ساختگی سی تی بر مبنای MR امکان ترکیب کنتراست عالی بافت نرم در MRI و طراحی درمان دزیمتریک بافت در معرض خطر را ممکن می سازد. استفاده از Workflow تنها مبتنی بر MRI نیاز به رجیستریشن تصاویر سی تی و ام ار را از بین می برد که منجر به کاهش خطاهای ناشی از فرآیند رجیستریشن و دریافت دز غیرضروری از سی تی اسکن خواهد شد. اخرین راه حل و پیشنهاد ما برای workflow تنها مبتنی بر MRI شامل یک الگوریتم بر مبنای هوش مصنوعی برای ساخت تصاویر ساختگی از تصاویر ام آر برای مغز و لگن می باشد
.
مزایای استفاده از تصاویر ساختگی سی تی با استفاده ازتصاویر ام ار
مزایای بالینی:
قابلیت استفاده از ام آر آی به عنوان مدالیته تصویربرداری ارجح برای طراحی درمان بیماران با سرطان مغز و لگن
امکان استفاده از سکانس های مخصوص برای تحصیل کنتراست عالی از بافت های در معرض خطر اشعه (OAR)
رفع نیاز استفاده از فرایند رجیستریشن تصاویر سی تی و ام آر و از بین بردن خطاهای مربوط به این فرایند
بدون نیاز به اعمال دز غیرضروری از تصویربرداری سی تی اسکن
مزایای کاربری:
کاهش تعداد اسکن های موردنیاز که موجب ناراحتی بیماران می شود.
فراهم کردن قابلیت تولید اطلاعات دانسیته برای محاسبات دز در سیستم طراحی درمان
فراهم کردن استفاده از یک منحنی کالیبراسیون با قابلیت تولید نقشه جرم و دانسیته الکترونی
مزایای اقتصادی:
این الگوریتم برپایه هوش مصنوعی به حداکثر کردن کارایی این Workflow از طریق بازسازی تصویر تنها از روی یک اسکن ام آر آی کمک می کند.
رفع نیاز استفاده از CT Simulator.
چرایی استفاده از MRI در رادیوتراپی
شبیه سازی و طراحی درمان رادیوتراپی به صورت معمول برروی تصاویر سی تی انجام می شد و دلیل آن هم ارتباط ذاتی بین اعداد هانسفیلد(HU) و اطلاعات دانسیته الکترونی می باشد. در مقایسه با تصاویر سی تی اسکن، تصاویر ام آر آی تصاویری با کنتراست بافت نرم بهتری تولید می کنند و در حال تبدیل به انتخاب اول برای مشخص کردن بافت های در معرض خطر هستند. علاوه بر این، ام آر آی امکان دسترسی به اطلاعات Multi-Parameteric من جمله T1,T2,DC-MRI را فراهم می سازد که در این Workflow نقش اساسی از تشخیص، تعیین ساختاری،طراحی درمان تا ارزیابی پاسخ به درمان ایفا می کند.
محاسبات دز
محاسبات دز نیاز به یک نقشه سه بعدی از جرم و یا دانسیته الکترونی دارد که متاسفانه ارتباطی بین دانسیته الکترونی و ویژگی های مغناطیسی هسته ای وجود ندارد. بنابراین تصاویر ام آر آی نمیتوانند مستقیما برای محاسبات دز مورد استفاده قرار بگیرند. زمانی که تصاویر ام آر برای کانتورینگ مورد استفاده قرار می گیرند، به تصویر سی تی اسکن هم برای محاسبات دز نیازمند خواهیم بود که این خود موجب یک Workflow ترکیبی از سی تی و ام آر شد.
چالش های اصلی workflow ترکیبی سی تی و ام آر آی
در ورک فلوهایی که از چند مدالیته استفاده می کنند عموما رجیستریشن های نادرستی صورت می گیرد. زمانی که آناتومی به طرز قابل توجهی در طی این فرایند ها دچار انحراف می شود( مثل پر شدن مثانه و یا رکتوم در اثر فیوژن، شکل2)، این امر می تواند منجر به اضافه شدن عدم قطعیت هایی به پروسه طراحی بشود.
workflow یگانه ام آر آی
سیستم های Magnetom Sola(1.5 T) و Magnetom Vida(3T) سیستم های MRI ما هستند که ورک فلوهای یگانه MRI را ساپورت می کنند. این سیستم ها ویژگی های زیر را دارند:
- کویل های منعطف با کانال های چندگانه
- قابلیت پوزیشن دهی مجدد بیمار همراه با سخت افزارهای سازگار با ام ار مثل ابزارهای بی حرکت سازی.
- ساخت تصاویر سی تی بر مبنای تصاویر ام ار به همراه یک HU پیوسته
- اصلاح خودکار اعوجاج به منظور یکنواختی مکانی
- راهکارهای کنتل کیفی به همراه یک کتاب کنترل کیفی
یک مثال از پروتکل های ورک فلو یگانه ام آر برای لگن در شکل 3 نشان داده شده است. سکانس کلیدی برای بازسازی مصنوعی تصویر سی تی، سکانس T1- VIBE-Dixon sequence است. سکانس های بیشتری من جمله سکانس های DWI برای داشتن اطلاعات بیشتر می تواند مورد استفاده قرار بگیرد. این سکانس های پیشرفته قابلیت این را دارند که برای ارزیابی پاسخ به درمان مورد استفاده قرار بگیرند.
الگوریتم تولید تصاویر سی تی با استفاده از تصاویر ام آر. چگونه کار می کند؟
در سال های اخیر، حوزه ساخت تصاویر مصنوعی سی تی توجهات زیادی به خود جلب کرد. تا به الان روش های گوناگونی پیشنهاد شده است تا بتوان به صورت مصنوعی از تصاویر ام آر اطلاعات دانسیته الکترونی به دست آورد. اخرین الگوریتم ما، بر مبنای هوش مصنوعی می باشد. این الگوریتم با استفاده از شبکه های یادگیری عمیق توسعه یافته است. الگوریتم یادگیری عمیق ترکیبی از شبکه های عصبی را آموزش می دهد تا بتواند فرایند تولید بازسازی تصویر مصنوعی سی تی را یاد بگیرد. فرآیند یادگیری با استفاده از یک دیتاست 6486 تایی جفت تصاویر سی تی و ام ار آی برای مغز و 9059 جفت تصویر برای لگن انجام شد( تعداد نمونه های برای Validation در مغز 553 و در لگن 695 تا بود). به این منظور تصویر سی تی به طریق Rigid و Deformable بر روی تصاویر ام آر آی رجیستر شدند. ورودی شبکه تنها تصاویر VIBE-Dixon in-phase و opposed-phase بودند و خروجی شبکه تصاویر مصنوعی سی تی بودند. ساختار شبکه شامل دو قسمت بود:
شبکه اول: شبکه های عصبی کانولوشنال(Densely connected UNet) برای فرایند سگمنتیشن در سه کلاس: پس زمینه، استخوان و بافت نرم از یک تصویر ام آر آی دو کاناله
شبکه دوم: مولد و تمایز گر( Conditional GAN) برای بازسازی تصاویر سی تی با عدد هانسفیلد پیوسته
مولد: به منظور بازسازی مصنوعی سی تی یک ورودی 5 کاناله دریافت می کند( in phase, Opposed-phase و خروجی شبکه مخصوص سگمنتیشن)
تمایزگر: سعی در تمایز خروجی شبکه مولد( تصویر ساختگی سی تی) از تصویر واقعی سی تی دارد. در طی فرایند یادگیری، اطلاعات به صورت برگشت پذیر به عقب رانده می شود تا بتواند منجر به یک تصویر ساختگی سی تی شود که شبکه تمایز گر نتواند آن را از تصویر واقعی تمایز دهد.
جزئیات سکانس VIVE Dixon( برای مطالعات بیشتر در مورد این سکانس کلیک کنید)
پارامترهای اسکن ام آر آی برای سکانس VIBE-DIXON به منظور ورودی بازسازی سی تی مصنوعی به صورت اتوماتیک در RT Dot Engine هندل می شود.
در RT Dot Engine، اصلاح اعوجاج و reformatting در جهت آگزیال خودکار انجام می شود. ورودی های شبکه باید با الزامات شبکه برای ورودی خود مطابقت داشته باشد. شبکه جفت تصاویر ام آر را در جهت آگزیال می خواهد بنابراین تمامی تصاویر به دست آمده ابتدا باید در جهت آگزیال بازسازی شوند. شبکه بعد از یادگیری کامل نیازمند تصاویر ورودی با ابعادی از مضارب 16 است که در سیستم RT Dot Engine همواره از پیش انتخاب می شود. در غیر این صورت قبل از شروع فرایند تولید، باید Zero padding انجام شود. علاوه بر این ها تصاویر ورودی نیاز به نرمال سازی صدک 98 دارند که به صورت اتوماتیک در مراحل پس پردازش صورت می گیرد.
تصاویر ساختگی سی تی نهایی، رزولوشن در صفحه 1*1 برای مغز و 2*2 برای لگن دارند. ضخامت برش با استفاده از دیتای ورودی به دست آمده مشخص می گردد.
ورود تصویر ساختگی سی تی به سیستم طراحی درمان
تصویر سی تی ساختگی با استفاده از تصاویر ام آر ای می تواند به فرمت HU، دانسیته الکترونی نسبی(RED) و دانسیته جرمی نسبی(RMD) خروجی گرفته شود. زمانی که با فرمت HU اکسپورت می شود، مقادیر HU برای محاسبات دز باید به RED و یا RMD در سیستم طراحی درمان تبدیل شوند. بدین منظور جدول زیر می تواند مورد استفاده قرار بگیرد. اگر RED و RMD به عنوان خروجی در نظر گرفته شوند، جدول کالیبراسیون به صورت اتوماتیک توسط نرم افزار اعمال می گردد. تصویر سی تی مصنوعی ساخته شده از روی تصاویر ام ار به اسم ‘CT’ در دایکام نام گذاری شده است و سیستم طراحی درمان و شتاب دهنده آن را به عنوان تصویر سی تی در نظر می گیرند.
نتایج سی تی ساختگی بر مبنای ام ار برای مغز و لگن
در شکل 7 یک مثال از نتایج به دست آمده برای لگن و مغز نشان داده شده است. هر دو پنجره بافت نرم و استخوان نشان داده شده است. علاوه بر طراحی دز، سی تی مصنوعی می تواند برای صحه گذاشتن پوزیشن بیمار برروی لینک از طریق تطابق تصویر سی تی ساختگی با رادیوگرافی به کار گرفته شود.
ارزیابی اعتبار هندسی و دقت اعداد سی تی
ما یک ارزیابی داخلی برای اعتبار هندسی و دقت اعداد سی تی انجام دادیم.تست صحت هندسی برای مغز و لگن انجام گردید و نتایج شامل میانگین فاصله متقارن سطحی(ASSD) با اندازه ای کمتر از یک میلی متر گزارش شد که با توجه به اینکه کمتر از رزولوشن در صفحه برای مغز و لگن است، می تواند قابل اغماض در نظر گرفته شود. برای دقت عدد هانسفیلد، پروفایل خطی از سی تی ساختگی و ام ار ای که از بیماران گرفته شد مقایسه شدند. یک مثال از این مقایسه در شکل 9 نشان داده شده است. علاوه بر آن مقادیر HU تصاویر سی تی ساختگی در بافت های چربی،مایع و استخوان به وسیله ROI های دو بعدی ارزیابی شدند و با مقادیر ذکر شده در منابع معتبر مقایسه گردیدند. تمامی مقادیر من جمله انحرافات در یک محدوده قابل قبول بودند.( جدول 2)
برای ارزیابی بصری دقت هندسی، Syngo.via RTiS VB 60 یک ابزار تخته شطرنجی تولید کرده است.(شکل 11-آ) صحت مقادیر HU می تواند با ابزار ROI مورد تایید قرار بگیرند.( شکل 11-ب)
ارزیابی بالینی:
برای رادیوتراپی ارزیابی اختلاف دز بین تصاویر سی تی و سی تی ساختگی معیار حیاتی است.ارزیابی پوزیشن دهی مکانی و ارزیابی دزیمتری الگوریتم جدید به نسبت طراحی بر مبنای تصاویر استاندارد سی تی توسط دو همکار بالینی به صورت مستقلا انجام گردید.
خلاصه
1) ارزیابی تصاویر سی تی ساختگی بر مبنای ام ار توسط Brigham & Women’s Hospital, Dana-Farber Cancer Institute, Harvard Medical School, Boston, USA
به صورت کلی، اختلافات بین توزیع دز ارجینال و توزیع دز تصاویر سی تی ساختگی بدین شرح یود:
- کمتر از یک درصد اختلاف در CTV و OAR برای هفت بیمار با بررسی پروستات. میانگین اختلاف(دز پلنینگ سی تی – دز تصویر سی تی ساختگی رجیستر شده) دز برای CTV به نسبت دز کلی برابر 0.21 درصد بود.
- آنالیز گاما اختلاف میانگین 98.9% +- .03% نشان داد .
- با توجه به ارزیابی پوزیشن دهی مکانی ، 0.12 میلی متر – 0.72 میلی متر – 0.56 میلی متر در راستای Z,Y,X بین تصاویر سیتی ساختگی رجیستر شده روی تصاویر CBCT و پلنینگ CT-CBCT
2) ارزیابی تصاویر سی تی ساختگی بر مبنای ام ار توسط Universitätsklinikum Erlangen, Germany
میانگین اختلاف دز برای تمامی بیماران با بافت های هدف (PTV, GTV) و اندام های در معرض خطر محاسبه و آنالیز شد.
- کمتر از 1% اختلاف در میانگین دز( نرمالایز شده با دز طراحی شده جمعی) در تمامی ROI ها
- کمتر از 1% اختلاف میانگین دز PTV و GTV
- کمتر از 0.5% و 1.4% میانگین اختلاف دز برای ساقه مغز و کیاسما.
ارزیابی کامل
1) ارزیابی تصاویر سی تی ساختگی بر مبنای ام ار توسط Brigham & Women’s Hospital, Dana-Farber Cancer Institute, Harvard Medical School, Boston, USA
مجموعا هفت بیمار سرطان پروستات که برای EBRT بعدی برنامه ریزی شده بودند در همان روز تحت تصویربرداری MRI(MAGNETOM Vida 3T) و سی تی سیمولاتور (SOMATOM CONFIDENCE) قرار گرفتند. همه بیماران از نظر بالینی برنامه ریزی شده و با استفاده از سی تی اسکن برنامه ریزی شده خود تحت درمان قرار گرفتند. پارامترهای تصویربرداری بدین شرح بودند:
CT: 0.976mm X 0.976mm و ضخامت برش 3 میلی متر
MRI : 336mm X 448 mm میدان دید، سایز واکسل 2mm X 2mm ، سکانس T1-VIBE Dixon برای پروتکل سی تی ساختگی
TPS: Exlipse 15.6
تکنیک درمان: اشعه ایکس 6 مگاولت با استفاده از یک VMAT(rapidArc) تجویز دز: 44 جلسه و در هر جلسه 1888 سانتی گری. برخی بیماران دزهای تقویتی همزمان دریافت کردن و fractionation را تغییر دادند.
ارزیابی صحت دزیمتری تصویر سی تی ساختگی با هوش مصنوعی
تصاویر سی تی ساختگی بر مبنای MR برروی تصاویر پلن شده سی تی(pCT) رجیستر شدند و در فریم مرجع pCT ذخیره شدند. این تصاویر سی تی ساختگی رجیستر شده که rsCT نامیده می شوند وارد سیستم طراحی درمان Eclipse شدند. طراحی های درمانی بالینی بر اساس pCT مجددا محاسبه شده و در تصاویر rsCT مربوطه با همان پارامتر ها کپی شدند. اختلافات دز در بافت های در معرض خطر( مثانه، رکتوم، سر فمور راست و چپ) و ساختار CTV هدف پروستات محاسبه شدند. کانتورهای ارجینال از تصاویر pCT برای تمامی آنالیز های بعدی استفاده شدند. توزیع دز به دست آمده با استفاده pCT و rsCT با استفاده از یک مقیاس 1%/2mm گاما مقایسه شدند.
ارزیابی دقت مکان یابی ( Cone Beam CT registration)
دقت مکان یابی تصاویر سی تی ساختگی با استفاده از ابزار Image registration سیستم Eclipse و از طریق مقایسه نتایج رجیستریشین CBCT با رجیستریشن Pct CBCT انجام شد. پنج اسکن اول CBCT از هر بیمار برای این مطالعه استفاده شد. دو نوع رجیستریشن از نوع Translation-only که انجام شد:
- اسکن های CBCT بر فضای pCT رجیستر شدند.
- اسکن های CBCT بر فضای rsCT رجیستر شدند( تصاویر ساختگی سی تی بر روی تصاویر پلنینگ سی تی رجیستر شدند)
تفاوت های موجود در بردارهای Translation رجیستریشن pCT-CBCT و rsCT-CBCT محاسبه شدند و برای پنج کیس میانگین گیری شدند.
نتایج دزیمتری در لگن
تفاوت های بین توزیع دز ارجینال برروی pCT و توزیع دز محاسبه شده برای تصویر سی تی ساختگی برای هفت بیماری که مورد بررسی قرار گرفتند کمتر از 1% بود. تفاوت در دز محاسبه شده برای پروستات(CTV)، بالب الت تناسلی( در صورت کانتور شدن)، مثانه، هر دو سر فمور در جدول 3 ذکر شده است. اختلاف دز میانگین نسبت به دز کلی -0.21% بود. نتایج آنالیز گاما در 1%/2 mm تشابه و تطابقی در حدود 98.9% ±0.3% نشان داد.
نتایج دقت مکان یابی(رجیستریشن CBCT) اختلاف بین رجیستریشن rsCT-CBCT و pCT-CBCT ارزیابی شدند( جدول 4). به طور میانگین در سه راستای z,y,x به ترتیب مقادیر 0.56 mm , 0.72 mm , 0.12 mm مشاهده شدند
امیر دارینی ،دانشجوی کارشناسی ارشد فیزیک پزشکی دانشگاه علوم پزشکی تهران
