ترجمه مبانی مهندسی برق2

شکل 11. نمایش شماتیک پارامترهای اصلی MRI مورد استفاده در کار تشخیصی گلیوما در مقیاس عددی دلخواه، با نشان دادن مقادیر اصلی مرتبط با درجه پرخاشگری بیولوژیکی.

6. ام آر آی عملکردی

MRI عملکردی (fMRI) فعالیت مغز را با تشخیص تغییرات مرتبط با جریان خون اندازه گیری می کند و بر کنتراست وابسته به سطح اکسیژن خون (BOLD) تکیه می کند. به طور خاص، کنتراست BOLD بر اساس خواص فرومغناطیسی مختلف هموگلوبین اکسیژن دار (دیامغناطیسی، oxHB) و بدون اکسیژن (پارامغناطیس، dHB) است. در نتیجه یک محرک شامل فعال شدن نورون، مصرف بیشتر اکسیژن در این ناحیه و در نتیجه افزایش موضعی dHB وجود دارد. برای مقابله با نیاز اکسیژن، افزایش بعدی در غلظت oxHB و حذف dHB وجود دارد که منجر به کاهش ناحیه ناهمگنی در T2* و در نتیجه افزایش سیگنال BOLD در آن ناحیه می‌شود [111].

تا به امروز، استفاده از fMRI برای برنامه ریزی قبل از جراحی و شناسایی نواحی گویا (زبان [112,113]، حرکت [114]، مناطق بینایی و حافظه [115]) در مجاورت تومور، جایی که نیاز به برداشتن وسیع تومور است، مورد هدف قرار گرفته است. باید با صرفه جویی در ساختارهای عملکردی قشری و زیر قشری متعادل شود. ارزیابی فاصله ضایعه تا فعال سازی برای ارزیابی نتایج بعد از عمل مرتبط در نظر گرفته شده است. به طور کلی، فرض بر این است که خطر از دست دادن عملکرد پس از عمل، ارزیابی شده با fMRI، زمانی که فاصله بین محیط تومور و فعالیت BOLD حداقل 10 میلی متر باشد، به طور قابل توجهی کمتر است [116,117].

اکثر معاینات بالینی fMRI مبتنی بر وظیفه هستند، به طوری که از آزمودنی خواسته می‌شود تا در پاسخ به محرکی که هدف آن فعال‌سازی یک ناحیه قشر خاص، متناوب با فازهای کنترل/استراحت، عملی را انجام دهد. سپس تغییرات سیگنال BOLD برای بومی سازی ناحیه مورد نظر تحلیل می شود (شکل 12). ثابت شده است که fMRI مبتنی بر وظیفه یک ابزار معتبر و بسیار حساس برای بومی سازی نواحی متمایز قشر و زیر قشری است.جراحی در بیماران گلیوما، همچنین دقت خوبی را در مقایسه با حین عمل نشان می دهد داده های نقشه برداری تحریک گزارش شده است که fMRI مبتنی بر وظیفه در LGGS نسبت به HGGها دقیق تر است، به دلیل جداسازی عصبی عروقی [118-120]، وجود شانت شریانی وریدی، انقباض عروق مکانیکی ناشی از اثر توده تومور، و وجود خونریزی های داخل توموری.

شکل 12. fMRI مبتنی بر وظیفه زبان. نقشه‌های همبستگی fMRI از فعال‌سازی قشر مغز در حین انجام وظایف زبانی در بیمار مبتلا به GB فرونتال-گیجگاهی-جزئی. آبی نشان دهنده مناطق افزایش فعالیت قشر مغز است. (الف) رندر سطح سه بعدی با پوشش سیگنال BOLD فعال شدن ناحیه بروکا را نشان می‌دهد، که در عقب توسط ضایعه جابجا شده است (فلش سیاه، گفتار گویا) و در شکنج زمانی فوقانی (پیکان سفید، ناحیه ورنیکه، گفتار پذیرنده). (B,C) Tlw-BRAVO بدون جمجمه محوری و تاجی با پوشش سیگنال BOLD فعال شدن و دررفتگی ناحیه بروکا را تایید می کند و فعال شدن قابل توجه اما کوچکتر را در شکنج فرونتال تحتانی راست (سر فلش سفید) نشان می دهد. سر فلش سیاه ناحیه موتور تکمیلی (C) را نشان می دهد.

در سال های اخیر، fMRI شبکه حالت استراحت (rs-fMRI) توجه قابل توجهی را به خود جلب کرده است. این شامل نوسانات خود به خودی همودینامیک با فرکانس پایین در هنگام استراحت برای بررسی ساختار عملکردی مغز است [121]. Rs-fMRI توسط بیسوال و گروهش در سال 1995 معرفی شد، زمانی که آنها متوجه شدند که سیگنال های حالت استراحت دارای نوسانات فرکانس پایین ثابت در محدوده 0.01-0.08 هرتز هستند [122]. اگرچه استفاده از rs-fMRI عمدتاً محدود به اهداف تحقیقاتی است، مطالعات اخیر قابلیت اطمینان مشابهی را در مقایسه با fMRI مبتنی بر وظیفه با توجه به نقشه‌برداری شبکه حسی حرکتی در افراد سالم نشان داده‌اند [123,124]. بنابراین، rs-fMRI این پتانسیل را دارد که به استاندارد غیرتهاجمی مراقبت برای برنامه ریزی و پیش آگهی جراحی تبدیل شود [121,125,126].

در نهایت لازم به ذکر است که fMRI می تواند به عنوان راهنما برای تراکتوگرافی DTI مورد استفاده قرار گیرد [127]. در واقع، برنامه ریزی قبل از جراحی که fMRI و DTI را ادغام می کند ممکن است به شناسایی، و متعاقباً به جراحان اجازه دهد تا از نواحی با توزیع مجدد عملکردی و تشریحی مهم اجتناب کنند.

7. رادیومیک

رادیومیک به استفاده از یک سری ویژگی ها (ویژگی ها) یک منطقه اطلاق می شود که به آن ها می گویند

منطقه مورد علاقه (ROI)، که می تواند به صورت دستی یا خودکار در یک تصویر رادیولوژیکی مشخص شود. ویژگی ها شاخص های عددی هستند که ویژگی های ROI را در مورد درجه بندی خاکستری، بافت (یا دانه بندی)، وجود الگوها (پیکربندی ها یا ساختارهای خاص) توصیف می کنند. هدف تجزیه و تحلیل رادیومیک عمدتاً عینی‌تر کردن تفسیر تصویر و کمک قابل توجهی به پتانسیل بصری رادیولوژیست‌ها است و به شناسایی الگوهای موجود در تصویر کمک می‌کند اما با چشم غیرمسلح قابل تشخیص نیستند. ویژگی های Radiomics به مرتبه اول و مرتبه دوم تقسیم می شوند. ویژگی های مرتبه اول عبارتند از میانگین، میانه، انحراف استاندارد مقادیر هانسفیلد، آنتروپی، نشان دهنده درجه غیرقابل پیش بینی بودن توزیع سطح خاکستری، چولگی، نشان دهنده تقارن هیستوگرام و کورتوزیس. از جمله ویژگی های اصلی مرتبه دوم، توصیفگرهای گروه کنتراست، عدم تشابه و همگنی نوع، توصیفگرهای مربوط به ترتیب، نوع تکانه زاویه ای، انرژی و آنتروپی، توصیفگرهای آماری است که تجزیه و تحلیل می کنند.که تفاوت سطوح خاکستری را بین هر عنصر تصویر و عناصر بلافاصله مجاور، مانند درشتی، کنتراست و فعالیت تجزیه و تحلیل می کند [128].

پس از استخراج ویژگی های مشتق شده از تصویر، پردازش آنها برای ایجاد ارتباط با نتایج خاص با استفاده از مدل های آماری یا یادگیری ماشین امکان پذیر است. مدل های آماری برای تعیین روابط ریاضی بین متغیرها و پیامدها استفاده می شود. بیشترین استفاده از آن تحلیل تک متغیره و چند متغیره است. مدل‌های یادگیری ماشینی از سیستمی تشکیل شده‌اند که برای کار کردن به دستورالعمل‌های برنامه‌ریزی شده نیاز ندارد، زیرا قادر به یادگیری از داده‌ها است. این مدل‌ها معمولاً نسبت به مدل‌های آماری قابل اطمینان‌تر در نظر گرفته می‌شوند، زیرا آنها بر مفروضات ریاضی کمتر، حداقل خطای انسانی متکی هستند و از مجموعه داده‌های بزرگتر و دقیق‌تر ساخته شده اند (شکل 13).

رادیومیکس یک رشته با رشد سریع در رادیولوژی است که در آن تصاویر از معاینات رادیولوژیکی معمولی به داده‌های کمی قابل استخراج تبدیل می‌شوند که سپس می‌توانند برای رمزگشایی فنوتیپ تومور برای کاربردهای مختلف از بهبود تشخیص تا پیش‌آگهی و پیش‌بینی پاسخ به درمان [129]. در آن زمینه، رادیوژنومیکس به کاربرد خاصی اشاره دارد که در آن ویژگی‌های تصویربرداری به پروفایل‌های ژنومی مرتبط است (شکل 14) [130].

در میان کاربردهای بالینی، رادیومیک ها می توانند در ارزیابی جهش در تومورهای اولیه، به ویژه تومورهای گلیال مفید باشند.

Lu و همکاران یک مدل تصویربرداری کمی چندسطحی بر اساس Tlw، T2-FLAIR، T2w، DWI و ADC پس از کنتراست برای شناسایی ژنوتیپ‌های IDH و 1p/19q گلیوم‌ها، با دقت تا 89.2 درصد ساخته شد [131]. پیش‌بینی‌کننده‌های رادیومیک نیز برای ویژگی‌های ژنتیکی دخیل در پیش آگهی  مانند متیلاسیون MGMT و جهش‌های EGFRA289V در گلیوماهای درجه بالا و جهش‌های ATRX در LGGها ساخته شدند [132-134]. علاوه بر این، وانگ و همکاران. یک مدل رادیومیک کمی چند بعدی ساخته است که داده‌های بالینی (ویژگی‌های بیمار فردی و درجه‌بندی گلیوم)، MRI و تصویربرداری PET را برای تشخیص افتراقی بین عود بیماری پس از جراحی و RN یکپارچه می‌کند [135].رادیومیک و رادیوژنومیک می تواند در پیش بینی پاسخ به درمان RT در ترکیب با تموزولوماید مفید باشد زیرا پاسخ به شدت به ناهمگنی بیولوژیکی وابسته است و بیماران از درمان با دوز شخصی بهره مند می شوند [136].