Оцінювання паравертебральних м’яких тканин за допомогою комп’ютерної томографії

г. Харьков, ул. Лермонтовская, 27
(066) 924-43-61, (057) 704-35-35, (057) 704-24-44

А. Г. Скіданов , О. Г. Аврунін, М. Ю. Тимковіч, Ю. А. Змієнко, Л. М. Левітська, Л. П. Міщенко, В. О. Радченко
ДУ «Інститут патології хребта та суглобів ім. проф. М. І. Ситенка НАМН України», Харків
Харківський національний університет радіоелектроніки. Україна
ООО "МДЦ-LUX", Харків. Україна

Вступ.

Уявлення про зміни паравертебральних м’язів поперекового відділу хребта почало формуватися наприкінці 80-х — на початку 90-х років минулого століття, що пов’язано з розвитком cкомп’ю терної та магнітно-резонансної томографії, зокрема програмного забезпечення до них [1–4], тому що інші можливості обстеження м’яких тканин живих осіб досить обмежені. Особлива значущість комп’ю терної томографії пов’язана з її неінвазивністю та можливістю повторного проведення [5, 6]. Ще один спосіб вивчення паравертебральних м’язів — гістографічний аналіз, який є доволі ефективним методом оцінювання ступеня дегенеративних змін м’язів. L. A. Danneels і співавт. [7] використовували для аналізу паравертебральних м’язів, зокрема вмісту в них жирової тканини, гістографічний метод за допомогою комп’ю терної томографії. Незважаючи на загальноприйнятий пріоритет магнітно-резонансної томографії для оцінювання м’яких тканин, сучасна комп’ю терна томографія також дає змогу досить точно їх оцінити. Для цього здебільшого використовують псевдокольорову техніку, що допомагає визначити кількісний вміст в м’язах жирової тканини.

Сьогодні формат DICOM є дуже поширеним, його використовує більшість розробників і виробників медичного обладнання. У форматі DICOM зберігають дані КТ-дослідження, які дають змогу перетворити зображення в значення Хаунсфілда, а також додаткову інформацію, а саме: ім’я пацієнта, вік, стать тощо. Для КT-зображення значення кожного елемента (пікселя) співвідноситься зі значеннями Хаунсфілда.

Одиниці Хаунсфілда (Haunsfield units, HU), або коефіцієнти ослаблення рентгенівського випромінювання (m), виражають не в абсолютних величинах, а у відносних числах, нормованих по відношенню до m води. Число Хаунсфілда для води становить 0 HU. Згідно з науковою літературою, КТ-щільність менше ніж –150 HU характерна для газу, для жирової тканини вона становить приблизно –100 HU (± 20 HU), м’яких тканин 20–50 HU, для змішаних тканин — в середньому приблизно –15 HU [8]. За іншою інформацією, ступінь ослаблення для жирової тканини становить від –30 до –120 HU, для м’яких тканин — 30—70 HU. Коефіцієнти ослаблення кісткової тканини зазвичай перевищують +100 HU і можуть досягати +2000 ... +4000 HU [7, 9].

На підставі представлених у науковій літературі даних щодо рентгенощільності тканин [7–9] ми створили комп’ю терну програму, за допомогою якої можна виділяти на спіральній комп’ю терній томограмі контури м’язів та визначати процентні співвідношення жирової, сполучної, м’язової тканини виділеної ділянки м’язів.

Кількісне співвідношення цих значень може бути представлено у вигляді гістограми. Кожному діапазону значень відповідає стовпчик, який відображає частоту влучення значень у діапазон (повіт-
ря — менше ніж –150 HU — чорний, жир від –140 до –10 HU — жовтий, сполучна тканина від 60 до 100 HU — синій, м’язова тканина від 10 до 60 HU — червоний, кістка більше ніж + 100 HU — білий).

Однак під час аналізу даних, отриманих у результаті вимірювань, на підставі діапазонів рентгенощільності було виявлено значні невідповідності з реальністю. Це змусило нас провести власне дослідження з метою визначення ступеня рентгенопоглинання для кожного виду тканини.

Матеріали та методи.

На аксіальних зрізах комп’ю терних томограм окружністю діаметром 7–10 мм виділяли ділянки всіх паравертебральних м’язів на трьох рівнях за можливості у місцях, візуально вільних від сполучної та жирової тканин. Так само виділяли ділянки жирової тканини в зоні підшкірної жирової клітковини і сполучної — в ділянці надостьової зв’язки, якщо це було можна (рис. 1). Досліджено 663 аксіальних зрізи 129 дорослих пацієнтів і 93 дитини. Для аналізу відібрано 3 978 зразків м’язової тканини, 658 сполучної та 663 жирової.

Статистичну обробку проводили методом добування даних (Data Mining) [11–17] за допомогою так званого дерева рішень (або дерева класифікації, decision (classification) trees).


Рис. 1. КТ-скан із виділеними в комп’ю терній програмі ділянками жирової тканини в зоні підшкірної жирової клітковини і сполучної в ділянці надостьової зв’язки, м’язової тканини
в ділянці m. erector spine

Результати та їх обговорення

У результаті аналізу отримані дані, які характеризують обрані регіони в одиницях Хаунсфілда (мінімальне і максимальне значення, стандартне відхилення, середнє значення, пікові значення), на підставі яких побудовано графіки розсіювання (рис. 2). З них видно, що за жодним з окремих параметрів рентгенівської щільності (HU) неможливо розрізнити три зазначених види тканини. При цьому за кожним із наявних параметрів (крім мінімуму і стандартного відхилення) можна виділити діапазони, які відрізняють жирову тканину від сполучної і м’язової. Проте діапазони, які дали б змогу відокремити з прийнятною точністю м’язову тканину від сполучної, встановити не вдалося.

Отриманий розподіл значень майже збігається з діапазонами, представленими в літературних джерелах, однак понад 75 % середніх значень щільності сполучної тканини лежать у діапазоні, характерному також і для м’язів (рис. 3). Цей факт зумовив необхідність створити складнішу (багатовимірну) математичну модель визначення типу тканини, яка використовувала б не один показник (наприклад тільки середню рентгенощільність), а їх комбінацію. Результатом чого і стало дерево рішень як структурований алгоритм послідовного визначення типу тканин за кількома різними параметрами, на підставі яких тип тканини визначається з точністю 87,85 % (рис. 4). Приклад результату роботи комп’ю терної програми, побудованої на основі дерева рішень, представлено на рис. 5. Перевагою цієї програми перед відомими світовими зразками стала можливость визначити не тільки жирову, а й м’язову та сполучну тканини [18].


Рис. 2. Графіки розсіювання показників рентгенощільності м’язової, жирової та сполучної тканин за Хаунсфілдом


Рис. 3. Розподіл значень рентгенощільності тканин. По краях — мінімум і максимум, середина — медіана, в квадратних дужках — нижній і верхній квартилі


Рис. 4. Дерево рішень (decision trees) — структурований алгоритм послідовного визначення типу тканин за кількома різними параметрами їх рентгенощільності за Хаунсфілдом


Рис. 5. Приклад визначення типу тканин у виділених на аксіальних зрізах комп’ютерних томограмах хребта, ділянках м’язів; газ — чорний колір, жирова тканина — жовтий, сполучна — синій, м’язова — червоний, кісткова — білий

Висновки:

Рентгенощільність м’язової та сполучної тканини, яку вимірюю ть за допомогою комп’ю терної томографії в одиницях Хаунсфілда, дуже схожа. Щоб розрізнити м’язову, сполучну та жирову тканини необхідно враховувати середнє, мінімальне, максимальне значення та стандартне відхилення показників рентгенощільності цих тканин. Створена комп’ю терна програма значно розширює можливості для вивчення паравертебральних м’язів за умов різноманітних патологічних станів хребта.

Список літератури

  1. Computed tomography of the human skeletal muscular system / J. A. Bulcke, J. L. Termote, Y. Palmers, D. Crolla // Neuroradiology. — 1979. — Vol. 17. — P. 127–136.
    Computed tomography of the human skeletal muscular system /
    J. A. Bulcke, J. L. Termote, Y. Palmers, D. Crolla // Neuroradiology. — 1979. — Vol. 17. — P. 127–136.
  2. Haggmark T. Cross-sectional area of the thigh muscle in man measured by computed tomography / T. Haggmark, E. Jansson, B. Svane // Scand. J. Clin. Lab. Invest. — 1978. —
    Vol. 38. — P. 355–360.
  3. Maughan R. J. Muscle strength and cross-sectional area in man: a comparison of strength-trained and untrained subjects /
    R. J. Maughan, J. S. Watson, J. Weir // Br. J. Sports Med. — 1984. — Vol. 18. — P. 149–157.
  4. Comparison of CT scan muscle measurements and isokinetic trunk strength in postoperative patients / T. G. Mayer, H. Vanharanta, R. J. Gatchel [et al.] // Spine. — 1989. — Vol. 14. —
    P. 33–36.
  5. CT imaging of trunk muscles in chronic low back pain patients and healthy control subject / L. A. Danneels, G. G. Vanderstraeten, D. C. Cambier [et al.] // Eur. Spine J. — 2000. — Vol. 9. — P. 266–272.
  6. Reliability of computed tomography measurements of paraspinal muscle cross-sectional area and density in patients with chronic low back pain / A. Keller, R. Gunderson, O. Reikeras [et al.] // Spine. — 2003. — Vol. 28, № 13. — P. 1455–1460.
  7. Габуния Р. И. Клиническая рентгенорадиология. Руководство в 5 т. / Р. И. Габуния, Г. А. Зубовский // Радионуклидная диагностика. Компьютерная томография / Под ред. Г. А. Зедгенидзе. — М.: Медицина, 1985. — Т. 4. — 368 с.
  8. Прокоп М. Спиральная и многослойная компьютерная томография. Учебное пособие в 2 т. / М. Прокоп, М. Галански; пер. с англ.; под ред. А. В. Зубарева, Ш. Ш. Шотемора. — М.: МЕДпресс-информ, 2006. — Т. 1. — 416 с.
  9. Тюрин И. Е. Компьютерная томография органов грудной полости / И. Е. Тюрин. — СПб.: ЭЛБИ-СПб., 2003. — 371 с.
  10. Fayhad U. From Data Mining to Knowledge Discovery in Databases / U. Fayhad, G. Piatetsky-Shapiro, P. Smyth // AI Magazine. — 1996. — Vol. 17, № 3. — Р. 37–54, doi: 10.1609/aimag.v17i3.1230.
  11. Методы и модели анализа данных: OLAP и Data Mining /
    [А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод]. — СПб: БХВ-Петербург, 2004. — 336 с.
  12. Диагностика первичной открытоугольной глаукомы с помощью метода инфракрасной спектрометрии / И. Б. Алексеев, Г. М. Зубарева, С. А. Сильченко, А. В. Алексеев // Глаукома. — 2010. — № 4. — С. 19–24.
  13. Прогнозирование результатов эндовенозной лазерной облитерации у пациентов разных возрастных групп / Е. В. Шайдаков, В. Л. Булатов, Е. А. Илюхин [и др.] // Новости хирургии. — 2013. — № 2, Т. 21. — С. 61–68.
  14. Прогнозирование тяжести течения гипертонической болезни у больных сахарным диабетом 2-го типа методом «деревьев классификации» / С. Н. Коваль, Е. С. Першина, Т. Г. Старченко, А. В. Арсеньев // Експериментальна
    і клінічна медицина. — 2013. — № 3 (60). — С. 41–45.
  15. Метод прогнозирования эффективности восстановительного лечения на основе дерева решений / А. А. Зайцев, Е. Ф. Левицкий, И. А. Ходашинский [и др.] // Вопросы курортологии, физиотерапии и лечебной физической культуры. — 2010. — № 5. — С. 35–38.
  16. Елисеева Л. Н. Классификация больных, страдающих хронической сердечной недостаточностью методом «деревья классификации» / Л. Н. Елисеева, А. А. Халафян, С. Г. Сафонова // Успехи современного естествознания. —
    2006. — № 11. — С. 16–18.
  17. Система интеллектуального анализа данных для прогнозирования результатов хирургического лечения атеросклероза [Электронный ресурс] / К. В. Рудаков, К. В. Воронцов, М. Р. Кузнецов [и др.]. — Режим доступа: http://www.e-expo.ru/docs/sem/vc_ras.pdf (дата обращения: 21.08.2014).
  18. Радченко В. А. Оценка состояния паравертебральных мышц поясничного отдела позвоночника с помощью компьютерной томографии (обзор литературы) / В. А. Радченко, А. Г. Скиданов, Ю. А. Змиенко [и др.] // Ортопедия, травматология и протезирование. — 2013. — № 4. — С. 128–133, doi: http://dx.doi.org/10.15674/0030-598720134128-133.
Публикации: