Liikkeen estimointi magneettikuvausohjatun fokusoidun ultraäänihoidon aikana

Korkeaintensiteettinen fokusoitu ultraääni (HIFU) tarjoaa ei-invasiivisen menetelmän kasvaimien lämpöhoitoon. Magneettiresonanssikuvausta (MRI) voidaan käyttää sekä kohdekudoksen paikantamiseen että lämpötilan tarkkailemiseen hoidon aikana. Magneettikuvausohjatun fokusoidun ultraäänihoidon ensimmäiset sovellukset on hiljattain hyväksytty kliiniseen käyttöön. Potilaan liike hoidon aikana aiheuttaa ongelmia sekä ultraäänen kohdentamisessa että lämpötilan mittaamisessa. Tässä diplomityössä pohditaan näitä ongelmia sekä tutkitaan eräitä lähestymistapoja niiden selvittämiseksi. Erityisenä tavoitteena on löytää ratkaisu liikkeen hallitsemiseksi kohdun lihaskasvaimen hoidossa. Yksittäisen lämpötilakuvasarjan sisäinen liike ja useiden kuvasarjojen välinen liike käsitellään erikseen. Vaikka nimenomaan magneettikuvausohjatun ultraäänihoidon aikana tapahtuvan liikkeen estimointia onkin tutkittu vasta vähän, magneettikuvien rekisteröimiseksi on olemassa laaja valikoima algoritmeja, jotka soveltuvat myös tähän tarkoitukseen, koska liikkeen estimoinnissa on olennaisesti kyse kahden kuvan välisen muunnoksen etsimisestä. Tämä diplomityö sisältää katsauksen näihin menetelmiin, joista yksi valittiin toteutettavaksi ja testattavaksi. Toteutetussa algoritmissa muunnos parametrisoidaan ja kuvien välistä ristikorrelaatiota maksimoidaan Gauss-Newton optimoinnilla. Reaaliaikainen kuvasarjan sisäisen liikkeen kvantitatiivinen estimointi on haastavaa. Tämän vuoksi myös neljä yksinkertaista ja nopeaa liikkeentunnistusalgoritmia toteutettiin ja testattiin. Nämä perustuvat 1) kuvien samankaltaisuuden mittaamiseen ristikorrelaation avulla, 2) intensiteettiään merkittävästi vaihtavien pikselien laskemiseen, 3) histogrammin avulla määriteltyjen matalan intensiteettiluokan ja korkean intensiteettiluokan välillä vaihtuvien pikselien laskemiseen sekä 4) liikkeen aiheuttamien lämpötilan mittausvirheiden arvioimiseen lämpötilan keskihajonnan avulla. Liikkeentunnistusalgoritmeja testattiin sekä fantomin liikkeeseen että potilaan tahattomiin liikkeisiin yksittäisten lämpötilakuvasarjojen sisällä. Lämpötilan keskihajontaan perustuva algoritmi toimi näistä parhaiten. Kun keskihajonnan kynnys säädettiin vastaamaan silmämääräisiä havaintoja liikkeestä, pienet tahattomat liikkeet havaittiin 80-85% onnistumisprosentilla. Suuremmat liikkeet, jotka saattaisivat olla haitaksi potilaalle siirtäessään kuumennuksen ei-toivotuille alueille, tunnistetaan tällä menetelmällä varmasti. Liikkeenestimointialgoritmin soveltuvuutta tutkittiin sekä kuvasarjan sisäiseen että kuvasarjojen väliseen liikkeeseen. Näissä tutkimuksessa käytettiin vapaaehtoisilla ja potilailla kerättyä kuvadataa, joka sisälsi sekä tahallista että tahatonta liikettä. Algoritmi estimoi parametrisen mallin rajoissa tapahtuvaa liikettä onnistuneesti noin kymmeneen senttimetriin asti. Menetelmä toimi kuitenkin luotettavasti vain kuvilla, jotka oli otettu erityisesti tähän tarkoitukseen suunnitellulla magneettikuvaussekvenssillä, ei siis lämpötilakuvauksen yhteydessä saatavilla anatomisilla kuvilla. Tämän vuoksi algoritmi soveltuu vain kuvasarjojen välisen liikkeen estimointiin. Yhdessä, lämpötilan keskihajontaan perustuva liikkeentunnistusalgoritmi ja parametrinen liikkeenestimointialgoritmi tarjoavat ratkaisun sekä kuvasarjojen sisällä että kuvasarjojen välillä tapahtuvan liikkeen hallitsemiseksi. Molemmat algoritmit toteutettiin kaupallisen magneettikuvausohjattuun ultraäänihoitoon tarkoitetun laitteen ohjelmistoon