Σύστημα χαρτογράφησης εικόνων μαγνητικού τομογράφου από ασθενείς με πολλαπλή σκλήρυνση

Abstract

Η Πολλαπλή Σκλήρυνση (ΠΣ) είναι μία εξελισσόμενη νευρολογική πάθηση με ανοσολογική βάση, η οποία επηρεάζει το Κεντρικό Νευρικό Σύστημα (ΚΝΣ), προκαλώντας εκφυλιστικές αλλοιώσεις της μυελίνης και οδηγώντας σε νευρολογικά ελλείμματα. Προσβάλλει κυρίως άτομα νεαρής ηλικίας και σε βάθος χρόνου μπορεί να οδηγήσει σε μερική ή πλήρη αναπηρία [1]. Η έγκαιρη ανίχνευση και ποσοτική αξιολόγηση των βλαβών είναι καθοριστική για την πρόγνωση της νόσου και τη βελτιστοποίηση της θεραπευτικής προσέγγισης. Η Μαγνητική Τομογραφία (ΜΤ) αποτελεί τον πλέον διαδεδομένο απεικονιστικό τρόπο παρακολούθησης της ΠΣ, λόγω της υψηλής ευαισθησίας της στην ανάδειξη παθολογικών εστιών [20]. Παρόλα αυτά, η ερμηνεία των δεδομένων συχνά στηρίζεται σε μη αυτοματοποιημένες μεθόδους, οι οποίες είναι χρονοβόρες, εξαρτώνται από τον εκάστοτε χειριστή και συχνά συνοδεύονται από υποκειμενικά σφάλματα, ειδικά όταν πρόκειται για ανάλυση μεγάλων όγκων δεδομένων ή περιορισμένους επαγγελματικούς πόρους. Η παρούσα εργασία επικεντρώνεται στην υλοποίηση ενός σύγχρονου λογισμικού εργαλείου σε γλώσσα Python, το οποίο επιτρέπει τη σταδιακή και μερικώς αυτοματοποιημένη ανάλυση εικόνων ΜΤ ασθενών με ΠΣ. Το σύστημα συνοδεύεται από ένα εύχρηστο γραφικό περιβάλλον (GUI) μέσω του οποίου ο χρήστης μπορεί να φορτώσει εικόνες σε μορφή PNG, JPEG και NIfTI, να εφαρμόσει προεπεξεργασία, να εκτελέσει τμηματοποίηση, να επικαλύψει μάσκες, να αξιολογήσει την ποιότητα των αποτελεσμάτων και να εξάγει ποσοτικά δεδομένα. Η λειτουργική ροή του συστήματος ξεκινά με την προεπεξεργασία, η οποία περιλαμβάνει την απομόνωση του εγκεφάλου (skull stripping), την αποθορυβοποίηση της εικόνας και την κανονικοποίηση της φωτεινότητας. Η τμηματοποίηση βασίζεται στη χρήση Gaussian Mixture Models (GMM), ταξινομώντας τα pixel σε τρεις βασικές κατηγορίες: Λευκή Ουσία (ΛΟ), Φαιά Ουσία (ΦΟ) και Εγκεφαλονωτιαίο Υγρό (ΕΝΥ). Μετά την τμηματοποίηση, το σύστημα επιτρέπει την ανάλυση των βλαβών που προέρχονται είτε από αυτόματη επεξεργασία είτε από εισαγωγή χειροκίνητων μασκών, υπολογίζοντας τον όγκο τους, τη χωρική κατανομή τους και τη θέση τους σε σχέση με τους εγκεφαλικούς ιστούς. Για την αποτίμηση της ακρίβειας των αποτελεσμάτων, το σύστημα περιλαμβάνει τρεις μετρικές: τον Dice Coefficient (DSC), την Hausdorff Distance (HD) και τον Δείκτη Δομικής Ομοιότητας (SSIM). Επιπλέον, ενσωματώνει τη δυνατότητα παραγωγής θερμικών χαρτών, προσφέροντας βελτιωμένη απεικόνιση και κατανόηση των αποτελεσμάτων. Τέλος, όλα τα παραγόμενα στατιστικά δεδομένα vi αποθηκεύονται σε αρχεία Excel για μελλοντική χρήση ή συγκριτική αξιολόγηση μεταξύ φετών και ασθενών. Ένα από τα σημαντικότερα πλεονεκτήματα του συστήματος είναι η ενσωμάτωση θερμικών χαρτών, οι οποίοι παρέχουν έγχρωμη, διαδραστική οπτικοποίηση της τμηματοποίησης και των βλαβών. Η δυνατότητα αυτή καθιστά ευκολότερη την ερμηνεία των αποτελεσμάτων, ακόμη και από μη εξειδικευμένους χρήστες. Επίσης, παρέχεται η δυνατότητα εξαγωγής των αποτελεσμάτων σε αρχεία Excel, υποστηρίζοντας στατιστική ανάλυση, αρχειοθέτηση και συγκρίσεις μεταξύ ασθενών ή φετών. Το σύστημα αναπτύχθηκε σε Linux περιβάλλον (Ubuntu 24.04 LTS), είναι επεκτάσιμο και μπορεί να προσαρμοστεί σε διαφορετικά ερευνητικά και κλινικά δεδομένα. Η υποστήριξη τόσο για Τ1 όσο και για Τ2-σταθμισμένες εικόνες επιτρέπει την πολυδιάστατη ανάλυση της παθολογίας, με έμφαση στην Τ2, η οποία παρουσιάζει ιδιαίτερη διαγνωστική αξία αλλά σπανίως αξιοποιείται σε βάθος στη βιβλιογραφία. Συνολικά, η εργασία αυτή επιτυγχάνει τη γεφύρωση μεταξύ τεχνολογίας και ιατρικής πράξης, προσφέροντας ένα εργαλείο το οποίο μπορεί να αξιοποιηθεί για την υποστήριξη της διάγνωσης, την παρακολούθηση της εξέλιξης της ΠΣ και την περαιτέρω ερευνητική ανάλυση δεδομένων ΜΤ.