ИСТИНА

За последнее десятилетие технологическое и программное обеспечение стереотаксической лучевой терапии было значительно усовершенствовано, что позволяет осуществлять облучение различных патологий с высокой степенью конформности, селективности и градиента дозы. Одним из важнейших этапов планирования облучения является визуализация патологического очага и окружающих его здоровых тканей. Для определения контуров мишени и критических структур при планировании используются, как правило, T1, T1 с контрастным усилением, Т2 и FLAIR последовательности магнитно-резонансной томографии (МРТ), компьютерная томография (КТ). В случае лучевого лечения интракраниальных патологий нередки бывают ситуации, когда стандартного набора изображений недостаточно для того, чтобы дифференцировать различные морфологические структуры опухолевых и неопухолевых патологических процессов, таких как строма опухоли, зоны некроза, кисты, различные виды отека. В такой ситуации для исследования структуры белого вещества головного мозга может быть использована ещё одна модальность МРТ, называемая диффузионно-взвешенной (ДВТ) [1, 2], которая позволяет получать изображения головного мозга in-vivo, основываясь на информации о диффузии воды. Дополнением к ДВТ является диффузионно-тензорная томография (ДТТ), способная создавать количественные карты микроскопических смещений молекул воды, происходящих в биологических тканях за счёт физической диффузии. Использование различных карт количественных характеристик диффузии несёт в себе большой потенциал для лучевой терапии с позиций радиомики, так как потенциально позволяет классифицировать опухоли [3], определить степень их злокачественности [3], прогнозировать течение и исход заболеваний, в частности клинический ответ на проведённое лучевое лечение. В работе [4] было показано, что метод функционального диффузионного картирования на основе измеряемого коэффициента диффузии (ИКД) позволяет выявить зоны повышенной плотности клеток, в то время как T1 с контрастным усилением и FLAIR демонстрируют снижение сигнала на изображениях. Касательно клинического эффекта после радиохирургического лечения в работе [5] была отмечена статистически значимая корреляция со значениями фракционной анизатропии (ФА), а именно то, что менингиомы с низким значением ФА реагировали на лечение лучше, чем менингиомы с большим ФА. С момента появления диффузионных данных их обработка и анализ стали важной составляющей направлений исследований в области медицинской визуализации. В последнее время появилось много моделей диффузии (диффузионно-тензорный подход, мульти-тензорные модели, модель на основе функции распределения ориентации волокон (ODF), Q-ball и т.д.), алгоритмов трактографии (детерминированные и вероятностные), и соответственно, программных пакетов (ExploreDTI, 3D Slicer, MRTrix, FSL, AFNI, Camino, TORTOISE, TrackVis, MedINRIA и т.д.), работающих на их основе. На данный момент в планировании лучевой терапии функционал по обработке диффузионных данных не доступен в рамках коммерческого специализированного программного обеспечения (ПО). Таким образом, клиницисту достаточно сложно определиться с конкретным выбором ПО для работы с диффузионными данными. Сравнительный анализ [6] показывает, что если разбить весь процесс обработки диффузионных данных на три основных этапа (1. предварительная обработка – коррекция артефактов и удаление внемозговых тканей; 2. процессинг и визуализация – расчёт тензоров, скалярные карты, трактография; 3. количественный анализ – выделение области интереса, гистограммы, повоксельный анализ, пространственная статистика ориентации трактов), то наибольшим образом этот спектр задач покрывают три программы – 3DSlicer, AFNI и FSL. Всё три продукта находятся в открытом доступе. Актуальными остаются следующие проблемы: 1) высокая вероятность появления ложноположительных волокон; 2) невозможность нахождения различия и, как следствие, достоверного отображения пересекающихся, соприкасающихся и сливающихся волокон; 3) отсутствие воспроизводимости результата, зависимость от пользователя; 4) невозможность отображения трактов небольшой длины; 5) неустойчивость алгоритмов при работе с патологиями. Таким образом, можно сказать, что на данный момент не существует единого пакета, полноценно решающего задачи лучевой терапии. Одним из интересных и перспективных направлений в анализе диффузионных данных является подход на основе машинного обучения, заключающийся в использовании полностью свёрточной нейронной сети для изучения карт ориентации волокон. Данный поход позволяет избегать различных громоздких этапов обработки, таких как построение трактов всего головного мозга, регистрации атласа или кластеризации. Заключение. Диффузионные данные несут большой потенциал для целей лучевой терапии, однако на данный момент методика имеет определённые ограничения. Одним из возможных подходов, на который стоит обратить внимание в целях усовершенствования результатов, может стать машинное обучение.