پردازش تصاویر فراصوت درون‌رگی (IVUS) برای استخراج بافت مجازی

محورهای موضوعی : زیست شناسی

رضا معاشرتی ¹ (دانشجوی کارشناسی ارشد، گروه پرتوپزشکی، دانشکده علوم پایه، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.)
حسن تشکری ² (استادیار، گروه فیزیک، دانشکده علوم پایه، واحد قم، دانشگاه آزاد اسلامی، قم، ایران)

تاریخ دریافت : 1401/01/11 تاریخ پذیرش : 1401/03/23 تاریخ انتشار : 1401/04/01

کلید واژه: بیماری‌های قلبی, بافت مجازی, پلاک‌های کلسیمی,  تصاویر فراصوت درون‌رگی (IVUS),

چکیده مقاله :

هدف: بیماری‌‌های قلبی عروقی در دهه‌‌های اخیر افزایش چشمگیری داشته است. یکی از نارسایی‌‌های قلبی، بیماری گرفتگی عروق کرونر است که با جمع شدن پلاک‌‌ها در دیواره عروق کرونری ایجاد می‌‌شود. هدف پژوهش حاضر، تشخیص محل پلاک‌ها و بهبود مناطق سایه پشت پلاک‌های کلسیمی با استفاده از روش‌‌های خودکار پردازش تصویر است.مواد و روش‌ها: در این پژوهش برای آشکارسازی پلاک‌های کلسیمی و ناحیه تحت سایه در تصاویر فراصوت درون رگی، الگوریتمی خودکار طراحی و پیاده‌سازی شد. در این الگوریتم برای انتخاب آستانه تشخیص و آشکارسازی مرز سایه‌ها، به ترتیب از روش آستانه‌گذاری آتسو و روش کانتور فعال استفاده شده است. همچنین کیفیت نواحی سایه‌‌دار با روش‌های تعدیل هیستوگرام و تطبیق هیستوگرام بهبود داده شد. بدین منظور تصاویر 26 بیمار دارای گرفتگی عروق کرونری از دو بیمارستان منتخب شهر اردبیل، با همکاری پزشک انتخاب شد.یافته‌ها: با استفاده از الگوریتم پیاده‌سازی شده برای دو حالت وجود یا عدم وجود پلاک‌ در تصاویر و درستی یا نادرستی تشخیص، تمامی پلاک‌ها در تصاویر بررسی و با نتایج حاصل از تشخیص پزشک مقایسهشد.نتیجه‌گیری: نتایج روش استفاده شده در این پژوهش نسبت به پژوهش‌‌های دیگر، به دلیل کار بر روی تعداد زیادی از تصاویر واقعی بیماران و اعتبارسنجی نتایج با نظر پزشک متخصص قلب و عروق، باعث تشخیص دقیق‌تری از پلاک‌های کلسیمی شد. همچنین نتایج بهبود کیفیت تصاویر نشان داد که بهبود کیفیت سایه‌ها به دلیل قرارگیری آنها در خارج از محدوده قرارگیری پلاک‌ها، اطلاعات ارزشمندی را در خصوص تعیین مرز خارجی رگ و محل پلاک‌های کلسیمی نمی‌‌دهد.

چکیده انگلیسی:

Objective: Cardiovascular diseases have increased significantly in recent decades. One of the heart failures is coronary artery occlusion disease, which is caused by the accumulation of plaques in the coronary artery wall. The main goal of this research is to detect the location of plaques and improve the shadow areas behind calcium plaques using automatic image processing methods.Materials and Methods: In this research, an automatic algorithm was designed and implemented to detect calcium plaques and the shadowed area in intravascular ultrasound images. In this algorithm, the Atsu thresholding method and the active contour method are used to select the detection threshold and reveal the shadow border, respectively. Also, the quality of shaded areas has been improved with histogram adjustment and histogram matching methods. For this purpose, the images of 26 patients with coronary artery occlusion from two selected hospitals of Ardabil city were selected with the cooperation of the doctor.Findings: Using the algorithm implemented for two cases, the presence or absence of plaques in the images and the correctness or incorrectness of all plaques in the images were checked and compared with the results of the doctor's diagnosis.Conclusion: The results of the method used in this research compared to other researches, due to working on a large number of real images of patients and validating the results with the opinion of a cardiologist, caused a more accurate diagnosis of calcium plaques. Also, the results of improving the quality of the images showed that improving the quality of shadows does not give valuable information regarding the determination of the outer border of the vessel and the location of the calcium plaques due to their placement outside the area of the placement of the plaques.

منابع و مأخذ:

1. Bhargava S & Bhargava SK. Principles and Practice of Ultrasonography. Jaypee Brothers Medical Publishers. 2020: 13.


2. Bratlo A.R. Determining the accuracy of interpretation of non-contrast brain CT scans performed in the emergency department between emergency medicine physicians and Shahid Beheshti University of Medical Sciences. 2018; 6(1): 1-11. [in persian]


3. Finet G, Maurincomme E, Tabib A, Crowley RJ, Magnin I, Roriz R, Beaune J & Amiel M. Artifacts in intravascular ultrasound imaging: analyses and implications. Ultrasound Med Biol. 1993; 19(7): 533-47. DOI: 10.1016/0301-5629(93)90077-2. PMID: 8310550


4. Gil D, Hernandez A, Rodriguez O, Mauri J & Radeva P. Statistical strategy for anisotropic adventitia modeling in IVUS. IEEE Transactions on Medical Imaging. 2006; 25(6): 768-778.


5. Hong YJ, Ahn Y & Jeong MH. Role of Intravascular Ultrasound in Patients with Acute Myocardial Infarction. Korean circulation journal. 2015; 45(4): 259-65.


6. Hoskins R, Martin K & Thrush A. Diagnostic Ultrasound: Physics and Equipment. European Journal of Anaesthesiology. 2005; 22(9).


7. Mintz GS & et al. American College of Cardiology Clinical Expert Consensus Document on Standards for Acquisition, Measurement and Reporting of Intravascular Ultrasound Studies (IVUS). A report of the American College of Cardiology Task Force on Clinical Expert Consensus Documents. J Am Coll Cardiol. 2001; 37(5): 1478-92.
   DOI:1016/s0735-1097(01)01175-5. PMID: 11300468


8. Mohajeri SF & et al. A New Technique of Percutaneous Needle Placement Using Computed Tomography for Injection and Aspiration of the Canine Lumbar Intervertebral Disc. Veterinary research. 2018; 74: 520-526. [in persian]


9. Ranjbar S. & Jamshidi Modeling of the data taken from the CT scan device using Inosalius medical engineering software. Mechanical engineering. 2019; 2: 34-46. [in persian]


10. Rim Y, McPherson DD & Kim H. Volumetric three-dimensional intravascular ultrasound visualization using shape-based nonlinear interpolation. BioMedical Engineering OnLine. 2013; 12(39).