پردازش تصاویر فراصوت درون‌رگی (IVUS) برای استخراج بافت مجازی

فصلنامه بیولوژی کاربردی

دوره 12، شماره 46، تیر 1401، صفحه 37-58   

نوع مقاله: مقاله پژوهشی

نویسندگان

رضا معاشرتی¹؛ حسن تشکری^{* 2}

¹دانشجوی کارشناسی ارشد، گروه پرتوپزشکی، دانشکده علوم پایه، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.

²استادیار، گروه فیزیک، دانشکده علوم پایه، واحد قم، دانشگاه آزاد اسلامی، قم، ایران

چکیده

هدف: بیماری‌‌های قلبی عروقی در دهه‌‌های اخیر افزایش چشمگیری داشته است. یکی از نارسایی‌‌های قلبی، بیماری گرفتگی عروق کرونر است که با جمع شدن پلاک‌‌ها در دیواره عروق کرونری ایجاد می‌‌شود. هدف پژوهش حاضر، تشخیص محل پلاک‌ها و بهبود مناطق سایه پشت پلاک‌های کلسیمی با استفاده از روش‌‌های خودکار پردازش تصویر است.
مواد و روش‌ها: در این پژوهش برای آشکارسازی پلاک‌های کلسیمی و ناحیه تحت سایه در تصاویر فراصوت درون رگی، الگوریتمی خودکار طراحی و پیاده‌سازی شد. در این الگوریتم برای انتخاب آستانه تشخیص و آشکارسازی مرز سایه‌ها، به ترتیب از روش آستانه‌گذاری آتسو و روش کانتور فعال استفاده شده است. همچنین کیفیت نواحی سایه‌‌دار با روش‌های تعدیل هیستوگرام و تطبیق هیستوگرام بهبود داده شد. بدین منظور تصاویر 26 بیمار دارای گرفتگی عروق کرونری از دو بیمارستان منتخب شهر اردبیل، با همکاری پزشک انتخاب شد.
یافته‌ها: با استفاده از الگوریتم پیاده‌سازی شده برای دو حالت وجود یا عدم وجود پلاک‌ در تصاویر و درستی یا نادرستی تشخیص، تمامی پلاک‌ها در تصاویر بررسی و با نتایج حاصل از تشخیص پزشک مقایسه
شد.
نتیجه‌گیری: نتایج روش استفاده شده در این پژوهش نسبت به پژوهش‌‌های دیگر، به دلیل کار بر روی تعداد زیادی از تصاویر واقعی بیماران و اعتبارسنجی نتایج با نظر پزشک متخصص قلب و عروق، باعث تشخیص دقیق‌تری از پلاک‌های کلسیمی شد. همچنین نتایج بهبود کیفیت تصاویر نشان داد که بهبود کیفیت سایه‌ها به دلیل قرارگیری آنها در خارج از محدوده قرارگیری پلاک‌ها، اطلاعات ارزشمندی را در خصوص تعیین مرز خارجی رگ و محل پلاک‌های کلسیمی نمی‌‌دهد.

کلیدواژه‌ها

 تصاویر فراصوت درون‌رگی (IVUS)؛ بافت مجازی؛ بیماری‌های قلبی؛ پلاک‌های کلسیمی

مراجع

1. Bhargava S & Bhargava SK. Principles and Practice of Ultrasonography. Jaypee Brothers Medical Publishers. 2020: 13.
2. Bratlo A.R. Determining the accuracy of interpretation of non-contrast brain CT scans performed in the emergency department between emergency medicine physicians and Shahid Beheshti University of Medical Sciences. 2018; 6(1): 1-11. [in persian]
3. Finet G, Maurincomme E, Tabib A, Crowley RJ, Magnin I, Roriz R, Beaune J & Amiel M. Artifacts in intravascular ultrasound imaging: analyses and implications. Ultrasound Med Biol. 1993; 19(7): 533-47. DOI: 10.1016/0301-5629(93)90077-2. PMID: 8310550
4. Gil D, Hernandez A, Rodriguez O, Mauri J & Radeva P. Statistical strategy for anisotropic adventitia modeling in IVUS. IEEE Transactions on Medical Imaging. 2006; 25(6): 768-778.
5. Hong YJ, Ahn Y & Jeong MH. Role of Intravascular Ultrasound in Patients with Acute Myocardial Infarction. Korean circulation journal. 2015; 45(4): 259-65.
6. Hoskins R, Martin K & Thrush A. Diagnostic Ultrasound: Physics and Equipment. European Journal of Anaesthesiology. 2005; 22(9).
7. Mintz GS & et al. American College of Cardiology Clinical Expert Consensus Document on Standards for Acquisition, Measurement and Reporting of Intravascular Ultrasound Studies (IVUS). A report of the American College of Cardiology Task Force on Clinical Expert Consensus Documents. J Am Coll Cardiol. 2001; 37(5): 1478-92.
   DOI:1016/s0735-1097(01)01175-5. PMID: 11300468
8. Mohajeri SF & et al. A New Technique of Percutaneous Needle Placement Using Computed Tomography for Injection and Aspiration of the Canine Lumbar Intervertebral Disc. Veterinary research. 2018; 74: 520-526. [in persian]
9. Ranjbar S. & Jamshidi Modeling of the data taken from the CT scan device using Inosalius medical engineering software. Mechanical engineering. 2019; 2: 34-46. [in persian]
10. Rim Y, McPherson DD & Kim H. Volumetric three-dimensional intravascular ultrasound visualization using shape-based nonlinear interpolation. BioMedical Engineering OnLine. 2013; 12(39).