Текстурный анализ и радиомика в диагностике рассеянного склероза

Полный текст

Введение

Рассеянный склероз (РС) — это аутоиммунное демиелинизирующее и нейродегенеративное заболевание центральной нервной системы (ЦНС), которое протекает в виде разделенных во времени эпизодов неврологического дефицита и характеризуется формированием множественных очагов в головном и спинном мозге [1, 2].

На сегодняшний день в мире насчитывается почти три миллиона человек, страдающих РС, что составляет, в среднем 35,9 человек на 100 тысяч населения. РС является одним из наиболее распространенных заболеваний ЦНС у лиц молодого трудоспособного возраста и занимает четвертое место среди всех неврологических заболеваний. В Российской Федерации на долю РС приходится от 36 до 78,5 случаев на 100 тыс. населения. Болезнь может манифестировать в любом возрасте, однако, средний возраст дебюта заболевания составляет 28,3–31,2 года, что делает данное заболевание социально значимым и способствует активному изучению [3, 4].

Точная этиология, патогенез и механизмы прогрессирования заболевания остаются до конца неизученными [5]. Считается, что РС – это многофакторный процесс, на развитие которого влияют взаимодействия иммунологических, генетических факторов и факторов окружающей среды [6, 7].

Прежде всего, диагноз РС устанавливается на основании характерной клинической картины, однако его диагностика зачастую затруднена из-за разнообразия клинических проявлений, что приводит к поздней постановке диагноза и отсроченному началу эффективной терапии, снижая качество жизни пациентов [8, 9].

Основным дополнительным методом диагностики РС является магнитно-резонансная томография (МРТ), позволяющая выявить многоочаговое поражение мозга и подтвердить ключевые характеристики: диссеминацию патологического процесса в пространстве и во времени [1, 9].

Проблемы дифференциальной диагностики очаговых изменений и порой несоответствие клинической симптоматики и МРТ-картины (клинико-МРТ диссоциация) ставят задачу поиска более чувствительных и специфичных МРТ-биомаркеров повреждения для раннего выявления и прогноза течения заболевания [1, 10–14].

Одним из перспективных дополнительных методов оценки лучевых изображений в диагностике демиелинизирующих заболеваний является применение текстурного анализа (ТА) и радиомики [15].

Данный обзор посвящен анализу работ, касающихся выявлению и внедрению в клиническую практику МРТ-биомаркеров изображений, полученных на основе радиомики и ТА, которые позволяют проводить дифференциальную диагностику демиелинизирующих заболеваний, в частности РС.

Методы литературного поиска

В рамках исследования был проведён тщательный анализ литературы за период с 2016 по 2024 гг. Использовались базы данных PubMed и eLIBRARY, в качестве ключевых слов были выбраны «Radiomics» и «digital image texture analysis».

Были рассмотрены все доступные публикации, посвящённые применению радиомики и ТА цифровых изображений в медицине с целью диагностики демиелинизирующих заболеваний.

Основные понятия в радиомике

Биомедицинские изображения, полученные с использованием различных методов, обычно содержат от 4096 до 65536 оттенков серого цвета. Однако человеческий глаз в оптимальных условиях способен воспринимать лишь 1000 из них. Кроме того, анализ изображений часто ограничен использованием дисплеев (мониторов) с разрешением в 64 или 256 оттенков серого цвета, а также возможностями приложений для визуализации [16].

С начала 1980-х годов активно исследовались методы извлечения релевантной информации из различных медицинских изображений. Одним из таких методов является применение ТА [17, 18].

Текстурный анализ представляет собой способ объективной оценки медицинских изображений, позволяющий вычислять показатели распределения значений пикселей и вокселей, их взаимоотношения, которые невозможно обнаружить при визуальном наблюдении [15, 19].

Концепция радиомики была сформулирована позднее, в том числе благодаря работе голландского учёного Lambin, в 2012 году [20, 21].

Радиомика – это обобщённый процесс автоматического извлечения, анализа и последующей интерпретации количественных признаков (биомаркеров изображений) на основе особенностей анализируемых текстурных характеристик [20, 22].

ТА и радиомика являются гибридным аналитическим процессом, находящимся на стыке математических, информационных, статистических и медицинских наук [23]. Процесс применения радиомического анализа можно разделить на несколько этапов (рисунок 1):

1) Получение изображений

Результаты радиомического анализа зависят от исходных данных, которые определяются методом получения биомедицинских изображений. Это может быть рентгенография, ультразвуковое исследование, компьютерная томография, МРТ или методы ядерной медицины. Поэтому данные могут варьироваться как между разными методами, так и внутри одного метода в зависимости от протоколов и используемого оборудования [24].

2) Идентификация интересующих изменений

Цель этого этапа — обнаружить и классифицировать изменения, которые могут иметь диагностическую и прогностическую ценность и отражать специфику конкретного патологического процесса.

3) Сегментация (т.е. очерчивание границ области интереса с помощью компьютерного контурирования)

На этом этапе очерчиваются границы участка, который будет проанализирован и включен в область интереса (region of interest, ROI). Определение области интереса может быть проведено с помощью ручного, полуавтоматического и автоматического методов с использованием трехмерных (3D-ROI) или двухмерных (2D-ROI) реконструкций изображений [15, 19, 25];

4) Получение текстурных показателей

Извлечение количественных текстурных показателей осуществляется в автоматическом режиме с помощью программного обеспечения. К таким известным инструментам относятся: Pyradiomics, Medical Imaging Interaction Toolkit (MITK), LIFEx, Standardized Environment for Radiomics Analysis (SERA), Cancer Imaging Phenomics Toolkit (CaPTk), IBEX (Imaging Biomarker Explorer) и др. [26, 27].

5) Статистический анализ полученных текстурных показателей и построение диагностических моделей

Все текстурные показатели подразделяют на следующие группы:

Текстурные показатели первого порядка, а именно характеристики гистограммы, отражающие информацию, связанную с распределением уровня (оттенков) серого цвета в пределах зоны интереса без учета пространственных отношений между пикселями. К таким показателям относятся: максимальное, минимальное, среднее и медианное значения интенсивности в выделенной области, среднеквадратичное отклонение, асимметрия распределения, куртозис, энтропия, скошенность и т.д.

Текстурные показатели второго порядка, учитывающие пространственные отношения пикселей и вокселей, а также отражающие их распределение как по отдельности, так и в группах во всех направлениях трехмерного пространства. Эти признаки получают из радиомических матриц, составленных на основе определенных диапазонов интенсивностей изображений. К таким матрицам относят: матрицу длины пробега уровня серого (GLRLM); матрицу длины зоны серого (GLZLM); матрицу совпадения уровней серого (GLCM); матрицу разности соседних уровней серого (NGLDM) и т.д.

На основе данных первого и второго порядков формируются признаки более высоких уровней с использованием математических операций, таких как преобразование Фурье, вейвлет-анализ и различные фильтры. Эти операции позволяют описать статистические особенности изображений.

Кроме того, для 3D-анализа также вычисляются характеристики формы заданной области интереса, описывающие ее площадь, объём, максимальный линейный размер, компактность, сферичность, а также соотношения между этими характеристиками и другие параметры [15, 27].

Из множества полученных радиометрических данных с помощью построенной математической и статистической моделей выбираются наиболее информативные статистически значимые текстурные показатели – биомаркеры изображения, которые могут использоваться по отдельности или в сочетании с имеющимися демографическими, гистологическими, геномными данными пациента для постановки клинического диагноза и подбора персонализированной терапии [15].

Применение радиомики и текстурного анализа при РС

К числу исследований, посвященных текстурному анализу и радиомике в диагностике РС, относится работа Weber с соавт. [28]. В работе предложена диагностическая модель, основанная на анализе МРТ-изображений в режиме Т1-MPRAGE. Целью данной модели стала дифференцировка хронически активных, или увеличивающихся («тлеющих»), и хронически неактивных (стабильных) очагов демиелинизации. В работе удалось получить и проанализировать 36 радиомических показателей, полученных от каждого из 370 очагов, выявленных у 60 пациентов. Из всех показателей текстуры, четыре оказались наиболее статистически значимыми. В результате статистического анализа была создана диагностическая модель, которая смогла различить два типа этих поражений с хорошими диагностическими характеристиками: площадь под кривой (AUC) = 0,7 [28].

Многие авторы подчеркивали значимость режима Т2-FLAIR для извлечения текстурных биомаркеров изображений при оценке очаговых изменений в головном мозге. В частности, Shi с соавт. в своей работе [29] предложили различать три типа очагов демиелинизации при РС: острые активные (накапливающие контрастный препарат), хронически активные и хронически неактивные очаги. Авторам удалось проанализировать 140 радиомических показателей, полученных от 614 очагов, обнаруженных у 45 пациентов. В результате была создана модель, которая различала хронически активные и неактивные очаги с очень хорошей диагностической точностью – AUC=0,893. А модель, способная различать все три типа поражений, обладала отличными диагностическими характеристиками – AUC=0,920 [29].

Также значимость использования режима Т2-FLAIR в оценке демиелинизирующих изменений в головном мозге подтверждают работы Faustino [30], Khajetash [31], Tavakoli [32], и Peng [33]. В исследовании, проведенном Faustino с соавт., были выявлены десять наиболее значимых биомаркеров с показателями – AUC более 85%, которые позволяют различать «пограничные зоны» (ткань вокруг очагов толщиной до 1 мм), участки внешне неизмененного белого вещества и очаги в головном мозге у детей, страдающих РС. В исследованиях Khajetash и Tavakoli были предложены сигнатуры, позволяющие определять прогрессирующие (увеличивающиеся) и острые активные очаги при РС. Методика, предложенная Khajetash с соавт. показала очень хорошие диагностические характеристики: AUC=0,85, чувствительность – 0,85, а специфичность – 0,66 [31]. А методика Tavakoli с соавт. продемонстрировала отличные результаты: AUC=0,92, чувствительность – 0,86 и специфичность – 0,84 [32]. Кроме того, в работе Peng с соавт. определялось прогрессирование очагов РС, но уже с использованием модели машинного обучения на основе радиомических данных. Модель показала очень хорошую эффективность, достигнув значения AUC=0,857 [33].

Эффективность использования диффузионно-взвешенных изображений (DWI) в дифференциальной диагностике острых активных и хронических (не накапливающих контрастный препарат) очагов РС, была продемонстрирована в работе Shekari с соавт. [34]. В ходе исследования было получено и проанализировано 89 радиомических показателей от каждого из 255 очагов, обнаруженных у 34 пациентов. Созданные диагностические модели, учитывающие от тринадцати до двадцати наиболее значимых биомаркеров, с отличными диагностическими характеристиками (AUC=0,957) отличали острые и хронические очаги при РС [34].

Аналогичным образом Caruana с соавт. [3] дифференцировали острые активные и хронические очаги при РС, но уже проводя анализ текстуры по SWI и Т2-изображениям. В работе удалось получить и проанализировать 35 радиомических показателей, полученных от каждого из 175 очагов, выявленных у 58 пациентов. Модель, созданная на основе SWI-изображений, смогла дифференцировать острые и хронические поражения с хорошими диагностическими характеристиками – AUC=0,778, в отличие от модели, построенной на основе T2-изображений, где авторам не удалось получить значимых различий между двумя типами поражений (AUC=0,567) [35]. Хотя Michoux с соавт. [36] в более ранней работе получилось продемонстрировать эффективность диагностической модели на основании T2-изображений для отличия острых активных и хронических очагов при РС. Авторы проанализировали 21 радиомический показатель, полученный от каждого из 81 очагов, выявленных у 21 пациентов. Модель, оценивающая диагностические возможности отдельных биомаркеров изображений, показала результаты, варьирующиеся от средних (AUC=0,638) до очень хороших – AUC=0,835 [36].

Также в работе He с соавт. [37] подремонтирована эффективность использования T2-изображений в получении текстурных показателей для дифференциальной диагностики очагов РС и очагов при микроангиопатии. В исследовании были обнаружены девять из 472 наиболее значимых биомаркеров, полученных от каждого из 3068 очагов, выявленных у 952 пациентов. Полученная итоговая модель, способная различать два типа поражений, обладала отличными диагностическими характеристиками – AUC=0,9 [37].

Значимость использования методики количественного картирования восприимчивости (quantitative susceptibility mapping – QSM) для извлечения текстурных биомаркеров с последующим их использованием в дифференциальной диагностике РС и заболеваний спектра оптиконейромиелита (ЗСОНМ) продемонстрирована в работе Yan и соавт. [38]. Исследователи проанализировали семь зон интереса в области подкорковых структур. В результате удалось получить 874 радиомических показателя от каждой из семи зон у 83 пациентов. Диагностическая модель, учитывающая от двух до четырех наиболее значимых биомаркеров, показала результаты, варьирующиеся от хороших (AUC=0,702) до отличных – AUC=0,902 [38].

Дифференциальная диагностика очаговых изменений в группе демиелинизирующих заболеваний при РС, ЗСОНМ и анти-MOG-ассоциированных заболеваниях (анти-MOG-АЗ) проводилась в работе Luo с соавт. [26]. В работе удалось получить и проанализировать 378 радиомических показателей, полученных в каждой из 212 зон интереса у 195 пациентов. Диагностическая модель, основанная на МРТ изображениях в режиме Т2-FLAIR, по наиболее статистически значимыми биомаркерам отличала очаги РС с отличными диагностическими характеристиками – AUC=0,909 [26].

Возможность применения радиомики в дифференциальной диагностике очаговых изменений в веществе головного мозга при РС и системной красной волчанке (СКВ) продемонстрирована в работе Luo с соавт. [39], в которой было выявлено и проанализировано 371 радиомических биомаркеров, полученных от очаговых изменений у 112 пациентов в режиме Т2-FLAIR. Авторы использовали модель машинного обучения на основе радиомических данных, которая показала отличную эффективность, достигнув значений AUC=0,967 [39].

В анализируемых работах, посвященных диагностике РС, выявлялось от 21 до 874 радиометрических показателей, из которых благодаря различным статистическим моделям находили от четырех наиболее значимых биомаркеров изображений. Наиболее статистически значимыми оказались биомаркеры второго порядка, включающие:

• матрицу совпадения уровней серого (GLCM – gray-level co-occurrence matrix), которая учитывает расположение пар пикселей в четырех направлениях для расчета индексов текстуры (среднее арифметическое количества пар пикселей, частота встречаемости одинаковых значений, линейная зависимость пар друг с другом и др.);
• матрицу длины пробега уровня серого (GLRLM – gray-level run length matrix), которая создается путем размещения различных интенсивностей серого на одной оси матрицы и отражает частоту встречаемости элементов с одинаковой интенсивностью серого в ряд друг за другом;
• матрицу длины зоны серого (GLZLM – gray-level zone length matrix), которая описывает размер однородных зон для каждого уровня серого. В отличие от GLRLM данный биомаркер рассчитывает количество смежных элементов с одинаковой интенсивностью серого в трехмерном измерении;
• матрицу разности соседних уровней серого (NGLDM – neighborhood gray-level different matrix), которая описывает различия между каждым элементом изображения и его ближайшими «соседями» (8 элементами вокруг пикселя в 2D-изображении или 26 вокселями в 3D-изображении).

Ограничения применения текстурного анализа и радиомики

При использовании методов ТА и радиомики для анализа МРТ-изображений в настоящее время существуют определённые технические сложности и ограничения. К таковым относится разнообразие подходов к радиомическому анализу на каждом из его этапов, что затрудняет сопоставление результатов различных исследований [40].

При получении изображений для обеспечения согласованности результатов, а также их клинической применимости в идеальных условиях необходимо соблюдать единый протокол сканирования, регламентирование которого может уменьшить разброс качества изображений и технических параметров, которые существенно могут повлиять на получаемые метрики. Кроме того, в МРТ-исследованиях используются произвольные единицы измерения интенсивности МР-сигнала. Этот факт подчеркивает необходимость предварительной обработки исследований, которая включает процессы нормализации, стандартизации и дискретизации МРТ изображений [41, 42].

Наиболее важным, сложным и ответственным этапом в радиомике является процесс сегментации. Трудность в оконтуривании очагов при РС обусловлена их разнообразной формой, размерами, интенсивностью МР-сигнала, а также размытостью контуров вследствие отека во время активной стадии воспалительного процесса [43]. Кроме того, важным является интерпретация и сегментация каждого исследования несколькими специалистами, а также проведение референс-теста, что значительно повышает диагностическую точность получаемых метрик [44, 45].

На этапе получения текстурных показателей различные программы для радиомического анализа, как правило, генерируют большое и разное количество текстурных признаков, что отражается на их воспроизводимости и ограничивает их общее применение. Для решения этой проблемы создано независимое международное сотрудничество – Image Biomarker Standardisation Initiative (IBSI), в рамках которого при помощи созданных эталонных фантомов и контрольных значений проводится стандартизация получаемых характеристик, а также оцениваются платформы, на которых осуществляется радиомика [46].

Для оценки эффективности всего рабочего процесса радиомики был разработан и внедрён специальный показатель качества — RQS (Radioics Quality Score). Этот показатель представляет собой суммарный процентный балл, начисляемый за правильное выполнение каждого из этапов исследования [41, 47].

В процессе статистического анализа применяются различные методы создания диагностических моделей, что создает трудности в согласовании и сравнении результатов исследований. В классических работах данные представлены в виде таблиц, которые затем анализируются с помощью традиционных статистических моделей. Также в радиомике активно применяются модели машинного обучения и нейронные сети, которые предлагают множество методов для анализа и оценки как количественных, так и качественных данных, и их взаимосвязей. Кроме того, в ряде работ используются модели глубокого обучения, которые представляют собой комплексный подход, объединяющий весь процесс обработки изображений в единую модель, прогнозируя результаты непосредственно на основе необработанных изображений без вмешательства человека [41, 48].

Заключение

На сегодняшний день нейровизуализация является наиболее перспективным направлением прикладного использования новых методов ТА и радиомики [23, 21]. Даже несмотря на обозначенную проблематику и иногда неоднозначные результаты, ТА и радиомика являются многообещающим методом в дополнительной оценке многоочаговых изменений головного мозга при демиелинизирующих заболеваниях [19, 23, 48]. Создание оптимального алгоритма вычисления текстурных показателей, определение наиболее значимых из них, стандартизация и валидация получаемых биомаркеров, вероятно, позволит внедрить новый инструмент в клиническую практику, тем самым повысив точность диагностики демиелинизирующих изменений, в частности РС.

Об авторах

Глеб Игоревич Хвасточенко

Федеральное государственное бюджетное научное учреждение «Научный центр неврологии».

Автор, ответственный за переписку.
Email: hvastochenko.g.i@neurology.ru
ORCID iD: 0009-0003-4628-3069

Врач-рентгенолог

Россия, Россия, 125637, Москва, Волоколамское шоссе, д. 80

Василий Валерьевич Брюхов

Федеральное государственное бюджетное научное учреждение «Научный центр неврологии»

Email: abdomen@rambler.ru
ORCID iD: 0000-0002-1645-6526
SPIN-код: 6299-3604

Кандидат медицинских наук, старший научный сотрудник отдела лучевой диагностики.

Россия, Россия, 125637, Москва, Волоколамское шоссе, д. 80

Марина Викторовна Кротенкова

Федеральное государственное бюджетное научное учреждение «Научный центр неврологии»

Email: krotenkova_mrt@mail.ru
ORCID iD: 0000-0003-3820-4554
SPIN-код: 9663-8828

Доктор медицинских наук, главный научный сотрудник, доцент, заведующий отделом лучевой диагностики.

Россия, Россия, 125637, Москва, Волоколамское шоссе, д. 80

Список литературы

Дополнительные файлы