سلول های خاکستری رنگ می میرند

مسلما بارها به تصاویر سیاه و سفید بافتهای مختلف بدنتان که از طریق سیستم های رادیولوژی و MRI گرفته شده ، نگریسته اید تا شاید حتی با چشمان غیرمتخصص خود نیز بتوانید نشانی از عامل بروز درد یا عارضه در محل عکسبرداری شده ، بیابید.

کد خبر: ۱۲۲۷۱۳

با این حال ، آیا تاکنون از خود پرسیده اید که چرا این تصاویر غالبا خاکستری هستند؛ مساله اینجاست که اساسا تصاویر گرفته شده از طریق سیستم های MRI سیاه و سفید هستند ، در حالی که چشم انسان تنها قابلیت تشخیص حدود 20 سطح خاکستری را دارد ، اما هزاران رنگ را تشخیص می دهد. بعلاوه در تهیه تصاویر از بافتهای حساس و پیچیده ای چون مغز، با توجه به نزدیک بودن شدت روشنایی بافتهای مغزی به یکدیگر ، تشخیص بافتهای متمایز کاری دشوار است.
بی شک در صورت وجود بیماری هایی نظیر تومور و تروما ، وجود تصویر رنگی در امر تشخیص و پی بردن به عارضه نقش موثری خواهد داشت. در واقع این مساله ، محمدحسین کدبی از فارغ التحصیلان دانشگاه صنعتی شریف را بر آن داشته تا طرح دوره کارشناسی ارشد خود در رشته مهندسی پزشکی را به ارائه روشی برای تولید رنگی قابل اطمینان در تصاویر مغز انسان اختصاص دهد. ما نیز به این بهانه با وی به گفتگو نشسته ایم.

اصولا رنگی سازی تصاویر علمی از بافتها چه اهمیتی دارد؛
اساس تصاویری که امروزه از سیستم های MRI حاصل می شود ، تصاویر خاکستری (Gray Scale) یا به اصطلاح سیاه و سفید هستند. از آنجا که چشم انسان تنها قابلیت تشخیص حدود 20 سطح خاکستری را دارد (در حالی که هزاران رنگ را تشخیص می دهد) و همچنین با توجه به نزدیک بودن شدت روشنایی بافتهای مغز به یکدیگر ، تشخیص بافتهای متمایز امری دشوار است.
رنگی سازی تصاویر MRI که به معنی اختصاص دادن رنگ به هر بافت است ، باعث می شود بافتهای موجود در مغز از هم متمایز شود و درک بصری بهتری به بیننده دهد. این امر در مطالعات آناتومیکی ساختار مغز انسان و همچنین در موارد تشخیصی (Diagnostic) برای پی بردن به عوارض و ضایعات مغزی نظیر تومور ، ورم ، تروما و... با دقت و سرعتی به مراتب بالاتر نقش بسزایی دارد.

رنگ طبیعی مغز انسان چگونه است و تاکنون تصاویر ارائه شده از مغز چه رنگی داشته اند؛
در دهه 80 میلادی ، یک مرکز پژوهشی در امریکا به نام (NLM (National Library of medicineاقدام به تهیه یک پایگاه داده (Database) از تصاویر واقعی بدن انسان کرد. برای این کار ، جسد یک زن و مرد (که پیش از مرگ خود برای این کار داوطلب شده بودند) برشهایی به عرض یک میلی متر از تمام طول بدن آنها تهیه شده و از آنها عکسبرداری شد. در نتیجه یک پایگاه کامل از تصاویر مغز انسان موجود است که با کمی اغماض ، رنگ واقعی مغز انسان را نمایش می دهد. علت این که رنگها کاملا مطابق با رنگ واقعی مغز نیست ، این است که این تصاویر از بافت مرده به دست آمده اند که رنگش کمی تیره تر از بافت زنده است ؛ ولی با استفاده از متدهای پردازش تصویر ، این مشکل در روش ارائه شده حل شده است.
روشهایی که تا به امروز مورد استفاده قرار می گیرند ، از رنگهایی غیرواقعی جهت رنگ سازی استفاده می کنند که به روشهای psaido coloring معروفند و رنگهای اعمالی با رنگ واقعی حاصل از پایگاه داده ذکر شده ، تطابق ندارد. این امر موجب می شود در مواردی نه تنها رنگی سازی موثر واقع نشود ؛ بلکه باعث اشتباه و گمراه کردن متخصص یا ناظر مربوطه شود.

روش ارائه شده از سوی شما دقیقا چیست و طی چه مراحلی به ارائه تصاویر مغز منتهی می شود؛
در روش ارائه شده ، ابتدا از پایگاه داده تصاویر رنگی مغز انسان ، یک پالت رنگی کوچک از مغز انسان تهیه می شود که رنگهایی را که احتمال وقوع آنها در مغز انسان ، وجود دارد ، شامل می شود.

آینده نرم افزار تصاویر رنگی مغز

برای این که نرم افزار طراحی شده قابل اجرا باشد ، نیاز است تا روی نمونه های بیشتری از تصاویر MRI مغز انسان که شامل بیماری های مختلفی هستند ، امتحان شود. همچنین بررسی تغییر پارامترهایی نظیر غیرهمگنی روشنایی ، میدان غیریکنواخت که از جمله پارامترهای سیستم های MRI هستند و روی نتیجه به دست آمده ، در امر عملی کردن این روش می تواند راهگشا باشد. با توجه به این که به دست آورن به صورت همزمان (real-time) از جمله موارد مورد نیاز در سیستم های MRIاست ، کاهش زمان پردازش و رنگی سازی از دیگر مواردی است که باید در امر اجرایی شدن این روش مدنظر قرار گیرد.

بیشترین مشکل عملی کردن این طرح دسترسی نداشتن به فناوری تولید MRI در داخل کشور و در نتیجه دسترسی نداشتن به شرکتهای تولیدکننده این سیستم است ؛ چراکه روش مذکور در قالب یک نرم افزار می گنجد که باید به نرم افزار اصلی دستگاه های MRI ملحق (Link) شده تا نتیجه مطلوب حاصل شود. مسلما با ایجاد همکاری های لازم برای برقراری ارتباط با شرکتهای سازنده این تکنولوژی عظیم ، اضافه کردن این توانایی به سیستم های MRI عملی در جهت پیشبرد اهداف درمانی و خدمات رسانی انسان ها برداشته خواهد شد

به این ترتیب یک فضای رنگ کوانیتزه شده 10 رنگی تهیه شده است که به جای طیف وسیع رنگها که تنها کار پردازش را طولانی و مشکل می سازند، قابل استفاده است.
این پالت تنها شامل رنگهایی است که می توانند در بافتهای مغز انسان وجود داشته باشند. برای این که اطلاعات بیشتری از مغز انسان در تصاویر MRI به دست آید ، از 3 مدالیته T1، T2 و PD که از مدالیته های رایج تصاویر MRI هستند ، به جای تنها یک تصویر استفاده شده است ؛ چراکه T1 ، T2 عموما قابلیت اندازه گیری های مشخصاتی چون چربی و مواد آهکی در مغز دارند ، در حالی که PD حاوی اطلاعات ریز و جزییات بافت مغز است که در نتیجه مجموع این 3 تصویر اطلاعات کامل تری در اختیار ما قرار می دهند.
از این 3 تصویر موجود پس از ادغام پیش پردازش های بازم جهت حذف نویز و مستقل سازی تصاویر از یکدیگر که از سوی روشهای پردازش تصاویر انجام می شود ، جهت به دست آوردن 3 کلاس اصلی در مغز مه معروف به بافت اصلی جسم خاکستری (Gray matter) ، جسم سفید(White matter) و مایع مغزی -نخاعی (CSF) هستند ، استفاده می شود. به این معنی که با استفاده از روشهای بخش بندی (segmentation)
، 3 کلاس اصلی با توجه به ماهیت بافتهای موجود در مغز به دست می آید.
در مرحله بعد با توجه به 3 کلاس حاصل ، پالت 10 رنگی به دست آمده از تصاویر مغزی انسان به 3 کلاس تقسیم می شوند که در واقع رنگهایی که احتمال وقوع در هر یک از 3 کلاس اصلی را دارند ، از سوی متخصص مغز و اعصاب از هم جدا می شوند.
نهایتا با استفاده از روش کلاس بندی (classification) رنگهای موجود در هر کلاس به پیکسل های موجود در کلاسهای اصلی تصاویر MRI منتقل می شود. به دست آوردن پالت جامع رنگهای موجود در مغز و انتقال رنگها به پیکسل هایی که از پیش نوع بافت آنها مشخص شده است ، علاوه بر سریع کردن الگوریتم ، باعث افزایش دقت و جلوگیری از خطاهای احتمالی ناشی از نویز سیستم می شود.

این روش چه مزیتهایی را نسبت به شیوه های پیشین پردازش مغز داراست؛
مهمترین مزیت این روش به روشهای قبلی ، ارائه تصاویری با رنگ واقعی مطابق با مغز انسان است که بزرگترین انگیزه از طراحی روش ارائه شده بوده است. در نتیجه ، علاوه بر این که مطالعات آناتومیکی و فیزیولوژیکی مغز مناسب تر انجام می شود ، تشخیص عوارضی نظیر وجود تومور ، ورم و آماس های مغزی نیز با دقت بیشتری انجام می گیرد و تشخیص از سوی متخصص راحت تر می شود.

اصولا کسب اطلاعات از رنگ بافت مغزی با چه حساسیت ها و مشکلاتی روبه رو است؛ در روش شما این مشکلات چگونه مرتفع شده است؛
یکی از بزرگترین مشکلات در پردازش تصاویر پزشکی ، وجود نویزهای احتمالی است که تاثیر مخربی بر نتایج خواهند داشت . این مشکل بویژه در روش قبلی که مبتنی بر شدت روشنایی (Intensity) پیکسل ها بوده اند ، نمایان می شود ، به طوری که کوچکترین تغییر در شدت روشنایی پیکسل ها بر اثر نویز باعث می شود رنگ به اشتباه به پیکسل ها تعلق گیرد. از آنجایی که روش ارائه شده مبتنی بر اطلاعات بافت (taxtare) تصویر و مغز است ، در نتیجه اثر نویز تا حد قابل قبولی کم شده است.
بررسی های انجام شده روی تصاویر MRI حاصل از افراد سالم و بیمار نشان داد که در این روش در مواردی که مغز حاوی جراحات ، تومور و ورم هستند ، بخوبی عمل کرده و با ایجاد رنگی متمایز ، تشخیص آن را در تصویر ساده تر می کند.