Simulation studies on x-ray imaging of brain parenchyma and tumours

Abstract

Computed Tomography (CT) is an imaging modality with many advantages but is lacking of the ability to image the tissues in the parenchyma of the brain and brain tumours in early stages. Aim of the presented research is to investigate whether CT could be used to image the soft tissue of the brain since this would provide an extremely powerful tool in the hand of the clinicians.CT due to its low cost, high speed and ability to image simultaneously hard and soft tissue is a very often used imaging modality especially in emergency cases. Enabling CT to differentiate brain parenchyma, and thus also brain tumours in early stage, would greatly increase the chances of detection of many pathologies that are now imaged only with MRI such as demyelinating diseases, dementia, cerebrovascular disease, infectious diseases epilepsy, and brain tumours in early stage. There are many cases reported that brain pathologies (e.g. tumours) have been diagnosed from CT scans performed for completely different reasons. An advanced Brain CT Imaging technique could lead in much better monitoring of Central Nervous System (CNS) pathologies.Main aim is to differentiate gray from white matter with X-ray imaging, since it will allow many pathologies to be detected, close the gap with MRI and is a condition that will lead to the visualization of tumours in early stages.An investigation was carried out using simulated and real data in order to test the feasibility of using Dual Energy CT for imaging brain soft tissue. An in-house developed X-ray Imaging Simulator was used for the production of the simulated x-ray images.In order to perform the investigation a brain model had to be used and altered in order to be applicable in x-ray simulations. As a second step small brain tumours were inserted in the created model in order to test the imaging of early stage brain tumours. Many different DE techniques were used and it was decided to use a non-linear decomposition dual energy technique for blending the images from different energies. The DE algorithm truly managed to produce contrast between brain parenchyma tissues in all a cases used even in real data.Due to the great number of images created for all different settings and cases tests, the need of a good and reliable Figure Of Merit (FOM) came up, thus an in home FOM ware developed based on line profiles which had very good results and great ability of detecting the best images.Additionally an optimization of the DE decomposition algorithm is proposed, based on solving inversely the problem of contrast between pixels and trying to find the local minima of the functions that relates them.

Η αξονική τομογραφία (ΑΤ) είναι μια απεικονιστική μέθοδος ακτίνων χ η οποία παρότι παρέχει πολλά πλεονεκτήματα, υπολείπεται της ικανότητας να απεικονίσει τους μαλακούς ιστούς στο εγκεφαλικό παρέγχυμα καθώς και τις νεοπλασίες όταν αυτές βρίσκονται σε πρώιμα στάδια. Σκοπός της παρούσης έρευνας είναι να διερευνήσει αν θα μπορούσε η ΑΤ να χρησιμοποιηθεί για την απεικόνιση των μαλακών ιστών του εγκεφάλου, καθώς κάτι τέτοιο θα προσέφερε ένα πολύ ισχυρό εργαλείο στους γιατρούς για την καθημερινή κλινική πράξη.Η ΑΤ λόγω του χαμηλού της κόστους, της μεγάλης της ταχύτητας και της ικανότητας της να απεικονίζει ταυτόχρονα σκληρό και μαλακό ιστό, είναι μία από τις πιο συχνά χρησιμοποιούμενες απεικονιστικές μεθόδους στα έκτακτα περιστατικά. Δίνοντας στην ΑΤ την δυνατότητα να παράγει εικόνες στις οποίες διαχωρίζονται οι ιστοί του εγκεφαλικού παρεγχύματος, και κατά συνέπεια των νεοπλασιών πρώιμου σταδίου, θα αυξάνονταν πολύ οι πιθανότητες να ανιχνευτούν ασθένειες οι οποίες μέχρι στιγμής ανιχνεύονται μόνο με χρήση Μαγνητικής Τομογραφίας (ΜΤ), όπως απομυελινωτικές ασθένειες, άνοια, εγκεφαλικές αγγειακές νόσοι, μολυσματικές ασθένειες, επιληψία, καθώς και νεοπλασίες του εγκεφάλου σε πρώιμο στάδιο. Έχουν αναφερθεί πολλές περιπτώσεις όπου παθολογίες του εγκεφάλου (όπως νεοπλασίες) διαγνώσκονται από ΑΤ οι οποίες γίνονται για τελείως διαφορετικούς λόγους (π.χ. τροχαίο ατύχημα). Μια ανεπτυγμένη τεχνική ΑΤ απεικόνισης του εγκεφάλου θα μπορούσε να οδηγεί σε πολύ καλύτερη παρακολούθηση και εντοπισμό παθολογίων του κεντρικού Νευρικού Συστήματος (ΚΝΣ).Βασικός στόχος της παρούσας έρευνας, είναι να γίνει εφικτή η διάκριση της λευκής από της φαιά ουσία του εγκεφάλου με χρήση ΑΤ. Κάτι τέτοιο θα επέτρεπε την ανίχνευση πόλλων παθολογιών, θα μείωνε το κενό μεταξύ ΑΤ και ΜΤ και αποτελεί την βασική συνθήκη η οποία θα οδηγήσει στην απεικόνιση των νεοπλασιών πρωίμου σταδίου.Η παρούσα έρευνα διενεργήθηκε με την χρήση προσομοιωμένων όσο και πραγματικών δεδομένων από ΑΤ διπλής ενέργειες. Ένας προσομοιωτής απεικόνισης με ακτίνες χ που έχει αναπτυχθεί από την ομάδα χρησιμοποιήθηκε για να παραχθούν οι προσομοιωμένες προβολικές ακτινογραφίες.Για να διεξαχθεί η έρευνα ήταν απαραίτητη η χρήση ενός μοντέλου του εγκεφάλου το όποιο και μεταβλήθηκε ούτως ώστε να μπορεί να χρησιμοποιηθεί για προσομοίωση απεικόνισης με ακτίνες χ. Σε δεύτερη φάση, ένας όγκος μικρού μεγέθους τοποθετήθηκε στο μοντέλο αυτό με σκοπό την διερεύνηση της απεικόνισης των νεοπλασιών πρώιμου σταδίου. Για την επίτευξη του στόχου της απεικόνισης του παρεγχύματος δοκιμάστηκαν πολλές τεχνικές Διπλής Ενέργειας (ΔΕ) και τελικά αποφασίστηκε να χρησιμοποιηθεί μια μη γραμμική τεχνική για τον συνδυασμό των εικόνων από τις δύο διαφορετικές ενέργειες. Η επιλεγμένη τεχνική ΔΕ τελικά κατάφερε να παράγει αντίθεση μεταξύ των ιστών του εγκεφαλικού παρεγχύματος ακόμα και στην περίπτωση των πραγματικών δεδομένων.Λόγω του τεράστιου αριθμού των εικόνων που παρήχθησαν κατά την διάρκεια της έρευνας, έγινε επιτακτική η ανάγκη ενός Δείκτη Ποιότητας Εικόνας (ΔΠΕ) ο οποίος θα ήταν σε θέση να ανιχνεύσει με ακρίβεια τις εικόνες με τα καλύτερα αποτελέσματα. Για τον λόγο αυτό αναπτύχθηκε ένας ΔΠΕ ο οποίος βασιζόμενος στην γραμμικά προφίλ των εικόνων, μπορούσε να προσφέρει πολύ καλά αποτελέσματα και να επιλέγει με ακρίβεια τις καλύτερες από αυτές.Τέλος προτείνεται μια βελτίωση του αλγορίθμου ΔΕ, η οποία βασίζεται στην επίλυση της αντίστροφης συνάρτησής αντίθεσης μεταξύ εικονοστοιχείων και προσπαθεί μέσω μαθηματικών μοντέλων βελτιστοποίησης να βρει τα τοπικά ελάχιστα της συνάρτησης αυτής.