Фёдоров А., Крисокоидес Н.

ВЫЧИСЛИТЕЛЬНЫЕ АСПЕКТЫ ОБРАБОТКИ ТОМОГРАММ
В СОВРЕМЕННОЙ НЕЙРОХИРУРГИИ
Андрей Фёдоров, Никос Крисокоидес
College of William and Mary, Williamsburg, Virginia 23185, USA
COMPUTATIONAL ASPECTS OF TOMOGRAPHY PROCESSING
IN MODERN NEUROSURGERY
A. Fedorov, N. Chrisochoides
College of William and Mary, Williamsburg, Virginia 23185, USA
Стремительное совершенствование теории и практики получения
магнитных томограмм головного мозга человека в последние 10-15 лет
значительно расширили возможности современной нейрохирурии.
Магнитно-резонансная томография позволяет не только диагностировать
заболевания, отслеживать их динамику и эффективность лечения, но и
помогает узнать больше о функциях (функциональная магнитно-резонансная
томография) и структуре (диффузионная томография) головного мозга. В
контексте нейрохирургии, важнейшей задачей является точное определение
местоположения и границ злокачественного образования (Clatz et al., 2005;
Archip et al., 2007). Информация, полученная при помощи магнитной
томографии, часто незаменима при планировании операций. Максимальная
точность удаления - опухолей способствует быстрому восстановлению
пациента и уменьшает вероятность повторного появления заболевания.
Таким образом, основная задача нейрохирургии при удалении
новообразований является их максимальное устранение при минимальном
повреждении здоровых участков головного мозга.
Томограммы, полученные до начала операции незаменимы при
планировании операции. Однако, использование магнитных томограмм
полученных до начала операции осложнено тем, что масса головного мозга
подвержена деформации после начала операции. Таким образом, возникает
необходимость обновления пре-операционных данных с учётом интраоперационных изменений. Существует несколько методов получения
численных данных о таковой деформации. В частности ультразвуковые
сканнеры позволяют получить положение разбросанных точек, лазерные
сканнеры могут быть использованы для определения деформации коры
головного мозга. Открытый магнитный томограф, который был впервые
представлен в 1993 году (Jolesz, 2005), позволяет во время проведения
операции проводить отслеживание деформации мозга и местоположение
границ опухоли. Независимо от того, какая методология используется для
определения и измерения деформации, эта информация может быть
недостаточна,
и
существует
необходимость
трансформации
предоперационных данных с учётом интра-операционных изменений в
конфигурации массы мозга пациента. Процесс обработки изображений с
целью принятия во внимание интра-операционной деформации известен как
регистрация изображений (Hill et al., 2001). Задачей регистрации
изображений является нахождение пространственной трансформации,
которая определяет соответствие между анатомическими структурами двух
изображений.
Существует
значительное
количество
методов
регистрации
медицинских изображений. Наиболее эффективные подходы к этой задаче
включают физическое моделирование деформации мозга при помощи
численных методов и моделей (Delingette, Ayache, 2004). Такие методы
часто используют интра-операционные данные о деформации полученные
при помощи устройств для отслеживания конфигурации массы мозга (Clatz et
al., 2005). Общими характеристиками методов регистрации являются высокая
сложность вычислений, отсутствие точных данных о моделируемом объекте
и наличие неточностей в инициализации модели. Таким образом, важные
компоненты, необходимые для успешного решения задачи регистрации
являются следующие подзадачи: 1) построение геометрической модели
головного мозга; 2) завершение вычислений связанных с задачей
регистрации в строгих временных рамках операции; 3) оценка точности
регистрации и анализ чувствительности метода к неточностям в определении
параметров и погрешностям во входных данных.
Геометрическое моделирование Построение геометрической модели
объекта - является важной задачей для применения численных методов
решения дифференциальных уравнений в частных производных. Как
известно, большинство физических процессов может быть описано при
помощи таковых уравнений, в частности – процесс деформации массы
головного мозга. Целью геометрического моделирования для задач
регистрации является представление объекта головного мозга как
аппроксимации конечным числом элементарных структурных элементов
(например, тетраэдров или гексаэдров). Проблема построения таких моделей
достаточно хорошо изучена для решения инженерных задач механики (Owen,
1998; Si, 2006). Характерной особенностью и сложностью геометрического
моделирования структуры мозга пациента является отсутствие точной
информации о границах объекта.
Большинство существующих алгоритмов производят построение
геометрической модели исходя из триангуляции его поверхности. Таковая
постановка задачи значительно упрощает процесс моделирования. Таким
образом, в случае использования классических методов построения
геометрических
моделей,
предварительно
необходимо
воссоздать
поверхность объекта мозга исходя из данных томографии. Использование
классических методов моделирования имеет ряд преимуществ: существует
ряд отлаженных методов и программных продуктов для решения данной
задачи, причем возможности и теоретические аспекты методов в этой
категории хорошо изучены. Вместе с тем, в последнее время значительное
внимание уделяется разработке методов построения геометрических
моделей, которые не требуют промежуточного шага воссоздания
поверхности (Fedorov, Chrisochoides, 2008). Такие методы позволяют создать
геометрическую модель исходя из томографического представления объекта
(Boissonnat et al., 2005).
Параллельные и распределённые вычисления Задача регистрации
медицинских томограмм представляет собой сложный итеративный процесс,
решение
которого
мотивирует
использование
нетривиальных
вычислительных ресурсов. До последнего времени, использование многих
методов для регистрации медицинских изображений было невозможно по
причине того, что вычисления попросту не могли быть выполнены во
временных
рамках
нейро-операции.
Область
параллельных
и
распределённых вычислений в компьютерных науках занимается вопросами
разделения вычислительного процесса на отдельные подзадачи, которые
могут быть решены на мультипроцессорной системе, или вычислительном
кластере.
Простыми словами, вычислительный кластер представляет собой группу
компьютеров соединённых между собой локальной сетью. Существуют
кластеры, состоящие из тысяч компьютеров. Традиционно, в США такие
кластеры
были
организованы
и
поддерживались
отдельными
университетами,
научно-исследовательскими
лабораториями
и
коммерческими структурами для решения высокосложных задач. Тенденции
развития компютерных технологий в последние десятилетия таковы, что
новые поколения вычислительных машин появляются всё быстрее и быстрее.
В такой ситуации поддержка и обновление кластеров отдельными группами
становится очень сложной. В то же время, для решения сложнейших задач в
различных областях знаний вычислительные ресурсы крайне необходимы. В
частности, с увеличением роли медицинской томографии, в скором будущем
доступ к вычислительным ресурсам будет важен для любого медицинского
учреждения.
Исходя из важности широкого доступа к высокоскоростным
вычислительным ресурсам для научных целей, в 2001 правительство США
инициировало амбициозный проект TeraGrid (TeraGrid, 2008). Целью этого
проекта стало создание вычислительной инфраструктуры, объединяющей
крупнейшие вычислительные центры страны. Доступ к ресурсам TeraGrid
открыт для любого исследователя, расположенного на территории США,
через чётко определённую процедуру, которая не требует финансовых
вложений со стороны пользователя. Таким образом, сложные
вычислительные задачи могут быть решены используя федеральную
вычислительную инфраструктуру (Chrisochoides et al., 2006).
Оценка точности методов обработки томограмм. Одна из
практических сложностей применения методов обработки и регистрации
томографической
информации
является
сложность
определения
оптимальных параметров алгоритма. Например, точность определения
физических свойств на этапе построения модели может иметь значительное
влияние на конечный результат моделирования. В то же время, во многих
областях вычислений связанных с обработкой магнитных томограмм, точное
решение неизвестно, и сравнение вычисленного решения с абсолютным
результатом невозможно.
Исходя из этого, существует несколько подходов к вопросу оценки
точности результата. Один из таких методов предусматривает создание
упрощенного макета моделируемого объекта. При этом, искомый результат
вычислений известен. Недостатком такого метода является сложность
определения соответствия между макетом и моделируемым живым объектом.
Точность регистрации изображений используемых при нейрохирургии может
быть оценена экспертом-радиологом при помощи идентификации
соответствующих анатомических точек в томограммах до, и после
регистрации. Специализированные программные продукты для анализа и
обработки томографической информации крайне важны для выполнения этой
задачи (3D Slicer, 2008; Ibanez, Schroeder, 2003). Точность регистрации также
может быть оценена путём вычисления численных показателей точности, так
называемых метрик точности (Christensen et al., 2006).
Проблемная область обработки медицинских томограмм полна
нерешенных задач и сложных вопросов. Развитие технологии получения и
обработки томограмм и важность вклада этих технологий в наше понимание
процессов происходящих в организме сложно переоценить. В этой статье мы
очень коротко изложили вопросы относящиеся к некоторым важным
аспектам, связанным с вычислениями, обработкой и регистрацией томограмм
головного мозга. Мы надеемся, что наша дискуссия мотивирует читателя
обратиться к первоисточникам перечисленным в библиографии, и привлечёт
новых исследователей к работе над ключевыми проблемами области.
Список литературы:
1. Clatz, O., Delingette, H., Talos, I.F., Golby, A.J., Kikinis, R., Jolesz, F.A.,
Ayache, N., Warfield, S.K.: Robust non-rigid registration to capture brain shift
from intra-operative MRI. IEEE Transactions on Medical Imaging 24 (2005) 14171427
2. Archip, N., Clatz, O., Whalen, S., Kacher, D., Fedorov, A., Kot, A.,
Chrisochoides, N., Jolesz, F., Golby, A., Black, P.M., Warfield, S.K.: Non-rigid
alignment of pre-operative MRI, fMRI and DT-MRI with intra-operative MRI for
enhanced visualization and navigation in image-guided neurosurgery. Neuroimage,
35 (2007) 609-624
3. Jolesz, F.: Future perspectives for intraoperative MRI. In: Neurosurgery
Clinics of North America, 16 (2005) 201-213
4. Fedorov, A., Chrisochoides, N.: Tetrahedral mesh generation for non-rigid
registration of brain MRI: analysis of the requirements and evaluation of solutions.
In Proc. of International Meshing Roundtable (2008) 55-72
5. Hill, D.L.G., Batchelor, P.G., Holden, M., Hawkes, D.J.: Medical image
registration. Physics in Medicine and Biology 46 (2001) R1-R45
6. Delingette, H., Ayache, N. In: Soft tissue modeling for surgery simulation.
Volume XII of Handbook of Numerical Analysis. Elsevier, Netherlands (2004)
115-126
7. Owen, S.J.: A survey of unstructured mesh generation technology. In:
Proc. of 7th International Meshing Roundtable (1998) 239-267
8. Boissonnat, J.D., Oudot, S.: Provably good sampling and meshing of
surfaces. Graphical Models 67 (2005) 405-451
9. Si, H.: On refinement of constrained Delaunay tetrahedralizations. In:
Proc. of 15th International Meshing Roundtable (2006) 509-528
10. Ibanez, L., Schroeder, W.J.: The ITK Software Guide. Kitware Inc
(2003)
11. Christensen, G.E., Geng, X., Kuhl, J.G., Bruss, J., Grabowski, T.J.,
Pirwani, I.A., Vannier, M.W., Allen, J.S., Damasio, H.: Introduction to the nonrigid image registration evaluation project (NIREP). In: Proc. of the 3 rd
International Workshop on Biomedical Image Registration (2006) 128-135
12. Chrisochoides, N., Fedorov, A., Kot, A., Archip, N., Black, P.M., Clatz,
O., Golby, A., Kikinis, R., Warfield, S.K. In: Proc. of IEEE/ACM Int. Conference
for High Performance Computing, Networking, Storage and Analysis (2006)
13. 3D Slicer, http://www.slicer.org (2008)
14. TeraGrid, http://www.teragrid.org (2008)
Резюме
Диагностика и лечение ряда заболеваний в современной медицине, в
особенности развитие неинвазивных методов лечения, невозможно без
томографии. В области нейрохирургии, магнитно-резонансная томография
позволяет определить местоположение и границы новообразований в
головном мозге, а также, при необходимости, позволяет определить
траекторию удаления опухоли с минимальными негативными последствиями
для здоровья пациента. В данной статье мы рассматриваем некоторые
вычислительные аспекты, сязанные с обработкой магнитно-резонансных
томограмм (МРТ) для их использования во время операции. Целью данной
статьи не является полное освещение задачи, а скорее обзор проблемной
области. Мы затрагиваем обширный вопрос синергетики различных областей
науки. Заинтересованный читатель может получить более глубокое
представление о конкретных задачах изучив библиографические ссылки
данной статьи.
Summary
Diagnosis and treatment of a number of deseases in the modern medicine,
particularly the development of non-invasive treatment methods, is impossible
without tomographic data. In the area of neurosurgery, magnetic-resonance
tomography allows locating the tumor, identifying its margins, and, if necessary,
allows planning the tumor resection trajectory such that the negative impact on the
patient's health is minimized. In this paper we consider some of the computational
aspects related to the processing of the magnetic resonance tomography data for
the purposes of their use during neurosurgery. The purpose of this paper is not the
complete study of the problem, but rather a survey of the problem area. The
interested reader is encouraged to study the concrete detailed problems by
following the references we use throughout this paper.