ИСТИНА

Возможности современной стереотаксической лучевой терапии обеспечивают осуществление лучевого лечения различных интракраниальных патологий с высокой степенью конформности, покрытия и градиента дозы. Одним из важнейших этапов планирования облучения является визуализация патологического очага и окружающих его здоровых тканей. В случаях, когда критические структуры вплотную прилежат к опухоли, находятся внутри патологического очага полностью или частично (например, аденомы гипофиза, краниофарингиомы, глиомы зрительного нерва) определение контуров критических структур по стандартному набору изображений затруднено. В данном случае для исследования структуры белого вещества головного мозга может быть использована ещё одна модальность МРТ, называемая диффузионно-взвешенной (ДВТ), 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. Целью доклада является анализ основных алгоритмов, использующихся для построения проводящих путей головного мозга, и сравнение программных пакетов, работающих на их основе, для выявления необходимого функционала для создания полноценного программного обеспечения, удовлетворяющего потребностям лучевой терапии. С момента появления ДТТ её обработка и анализ стали основными направлениями исследований в области медицинской визуализации. Ввиду этого в последнее время появилось большое многообразие моделей диффузии (диффузионно-тензорный подход, мульти-тензорные модели, модель на основе функции распределения ориентации волокон (ODF), Q-ball), 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. Можно выделить три основные проблемы, препятствующие применению ДВТ клиницистами: 1) сложности с достоверным отображением пересекающихся, соприкасающихся и сливающихся волокон; 2) вероятность появления ложно-положительных результатов, что дезориентирует специалистов; 3) невозможность отображения трактов небольшой длины; 4) отсутствие воспроизводимости результата от итерации к итерации, зависимость от пользователя. Одним из интересных и перспективных направлений усовершенствования алгоритмов анализа диффузионных данных является подход на основе машинного обучения, заключающийся в использовании полностью свёрточной нейронной сети для изучения карт ориентации волокон. Неоспоримо диффузионные данные несут большой потенциал для целей лучевой терапии, и помимо возможностей, отмеченных ранее, могут стать ещё одним важным инструментом создания прогностических моделей клинического ответа на проведённое лучевое лечение (радиобиологическое моделирование). 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.