TEKNILLINEN KORKEAKOULU Elektroniikan, tietoliikenteen ja automaation tiedekunta Tuomas Seppälä INDOSYANIINIVIHREÄ SILMÄN OPTISESSA VERISUONIKARTOITUKSESSA Kandidaatintyö Espoo 10.12.2008 Työn ohjaaja: Prof. Jarmo Alander i
TEKNILLINEN KORKEAKOULU KANDIDAATINTYÖN TIIVISTELMÄ Tekijä: Tuomas Seppälä Työn nimi: Indosyaniinivihreä silmän optisessa verisuonikartoituksessa Päivämäärä: 10.12.2008 Työn kieli: Suomi Sivumäärä: 5 + 16 Tutkinto-ohjelma: Automaatio- ja systeemitekniikka Vastuuopettaja: TkT Kai Zenger Ohjaaja: Prof. Jarmo Alander Tämä kandidaatintyö on kirjallisuusselvitys ICG-angiografian sovelluskohteista, tekniikasta ja siihen liittyvästä kuvankäsittelystä. Angiografiasta ja ICG:stä on tuotu esille niiden perusperiaatteet. Joitakin sovelluskohteita on esitelty, tarkimmin diabeettinen retinopatia. Työssä on keskitytty lähinnä silmän angiografiaan. Angiografian kuvaustekniikasta esitetään perusteet. Kuvankäsittelyssä ja analysoinnissa on tuotu esille kolme erilaista tekniikkaa: värikuvien normalisointi, verenkierron määrittäminen harmaatasoanalyysillä sekä spatiaalisen vääristymän korjaaminen. Työssä on myös esimerkki Java-pohjaisesta ohjelmasta verkkokalvokuvien analysointiin. Lopuksi on tehty yhteenveto ja kerrottu mahdollisesta kehityksestä tulevaisuudessa. Avainsanat: Indosyaniinivihreä, angiografia, kuvankäsittely, lähi-infrapuna, lääketieteellinen kuvantaminen, optiikka ii
Esipuhe Haluan kiittää työn ohjaajaa professori Jarmo Alanderia ohjauksesta ja mielenkiintoisen aiheen tarjoamisesta. Otaniemi, 10.12.2008 Tuomas Seppälä iii
Sisältö Lyhenteet ja termit...1 1 Johdanto...2 2 ICG-angiografia...3 2.1 Yleistä...3 2.2 Sovelluskohteet...4 3 Kuvaustekniikka ICG-angiografiassa...6 4 Kuvankäsittely...8 4.1 Suonikalvon verenkierron analysointi...8 4.2 Värien normalisointi verkkokalvokuvissa... 10 4.3 Spatiaalisen vääristymän korjaaminen... 12 4.4 Ohjelmaesimerkki - RetinaView... 13 5 Yhteenveto ja tulevaisuudennäkymät... 15 Viitteet... 16 iv
Lyhenteet ja termit ICG = indocyanine green MV = mean grey value SD = standard deviation of grey values CVG = coefficient of variance of grey values NIR = near infrared, lähi-infrapuna SCO = scanning laser ophthalmoscope Leesio = vamma, elimen rakenteen tai toiminnan sairaalloinen muutos Angiografia = verisuonikartoitus Aneurysma = valtimonpullistuma 1
1 Johdanto Angiografiaa eli verisuonten kuvantamista on käytetty lääketieteessä jo vuodesta 1929 lähtien, jolloin Werner Forsmann käytti ensimmäistä kertaa kyseistä tekniikkaa apuna sydämen katetroinnissa [1]. Angiografiassa potilaan verisuoneen ruiskutetaan varjoainetta, jonka jälkeen aineen etenemistä voidaan kuvata mm. röntgenillä tai infrapunakameralla. Menetelmää on perinteisesti käytetty esimerkiksi valtimoiden ahtautumien pallolaajennukseen ja yleisesti verisuoniston sairauksien selvittämiseen. [2] Indosyaniinivihreää (ICG) on käytetty angiografiassa 1960-luvulta lähtien [3]. Silmän verkkokalvon tutkimiseen sitä käytettiin ensimmäisen kerran 1970-luvulla. Silmälääkärit käyttävät ICG:tä yleisesti verkkokalvon ja suonikalvon verenkierron tutkimiseen. Aineen ominaisuuksiin kuuluu fluoresointi infrapuna-alueella, mikä mahdollistaa sen kuvaamisen lähi-infrapunakameralla. Menetelmä on potilaalle lähes vaaraton ja väriaine poistuu verenkierrosta parin minuutin puoliintumisajalla. Nykyään ICG:tä on ruvettu käyttämään yhä enemmän myös aivojen verenkierron tutkimiseen [4]. Kamera- ja puolijohdetekniikan kehittyminen on tuonut ICG-angiografian uudelleen kiinnostuksen kohteeksi lääketieteessä. Mitä pidemmälle tekniikka kehittyy, sitä enemmän voidaan keksiä uusia käyttökohteita, kuten esimerkiksi käyttö melanosyyttisten kasvainten ja rintasyöpään liittyvien leesioiden hoidossa sekä palovammojen määrittämisessä. Vasta noin viimeisen kymmenen vuoden aikana on alettu kiinnittää toden teolla huomiota angiografisten kuvien jälkikäsittelyyn. Nykyään on kehitetty monia laskennallisia tekniikoita oleellisen informaation esille saamiseksi. ICG-angiografia helpottaa kirurgien työtä ja vähentää leikkausvirheiden määrää ja tuo luonnollisesti kustannussäästöjä, koska menetelmä on varsin yksinkertainen ja halpa. Tässä kandidaatintyössä tavoitteena on tehdä kirjallisuusselvitys ICG-angiografian modernista soveltamisesta lääketieteessä, niin että pääpaino on kuvantamistekniikassa ja automaattisessa kuvankäsittelyssä. Lääketiedettä käsitellään sen verran kuin on tähdellistä, jotta lukija saisi kuvan menetelmien käyttötarkoituksista ja toimintaympäristöstä. Työn aluksi esitellään ICG-angiografia pääpiirteissään ja sen tärkeimmät sovelluskohteet. Tämän jälkeen tuodaan esille kuvaustekniikkaan liittyviä aiheita, kuten lähiinfrapunakuvantaminen ja videoangiografia. Kuvankäsittelyyn liittyviä laskennallisia algoritmeja ja ohjelmia käsitellään luvussa 4. Lopuksi pohditaan alan kehitystä ja tulevaisuudennäkymiä sekä tehdään yhteenveto työstä. 2
2 ICG-angiografia 2.1 Yleistä Indosyaniinivihreä on lääketieteessä yleisesti käytetty varjoaine. Varjoaineella tarkoitetaan ihmisen elimistöön annosteltavaa ainetta, joka tuo ruumiin sisäelimet, mahdolliset kasvaimet tai verisuonet tehokkaammin näkyviin. Röntgenkuvauksessa käytetyt varjoaineet voidaan jakaa bariumpitoisiin ja jodipitoisiin aineisiin, kun taas gadoliniumvarjoainetta käytetään magneettikuvauksissa. Yleensä varjoaineet annostellaan suun kautta tai injektoidaan suoraan suoneen. [9] ICG on trikarbosyaniiniväriaine, jonka molykyylimassa on 775 g/mol. Rakennekaava on esitetty kuvassa 1. Aine sitoutuu voimakkaasti veriplasman albumiineihin, jonka ansiosta se ei juurikaan poistu verisuonista muualle elimistöön. Tämä edesauttaa verisuonten kuvantamista ja niissä esiintyvien vammojen selvittämistä. Potilaalle annosteltaessa kuivassa muodossa oleva ICG liuotetaan aluksi steriiliin veteen, jonka jälkeen se injektoidaan potilaan suoneen. Sopiva annos on noin 2 mg henkilön painokiloa kohden. Maksa poistaa aineen verenkierrosta muutaman minuutin puoliintumisajalla. Potilaalle ei koidu hyvin todennäköisesti mitään komplikaatioita ICG:n käytöstä: eräässä tutkimuksessa 240 000:sta suonensisäisestä injektiosta vain neljässä liuos oli haitallinen potilaalle. Tällöinkin syynä oli todennäköisesti liuoksessa esiintyvä jodi, joka voi aiheuttaa allergisia reaktioita. [3] Kuva 1. Indosyaniinivihreän rakennekaava.[8] Fluoresenssiksi kutsutaan ilmiötä, jossa atomi absorboidessaan fotonin siirtyy korkeammalle energiatasolle ja tämän jälkeen palaa takaisin alkuperäiseen tilaansa vähintään kahden siirtymän kautta. Tämän seurauksena atomista emittoituu kaksi tai useampia fotoneita, joiden energia on luonnollisesti absorboitunutta fotonia pienempi. Pienemmän energian ansiosta emittoituneen fotonin aallonpituus on suurempi kuin atomiin absorboituneen fotonin. [13]. Juuri ICG:n kyky fluoresoida lähi-infrapuna-alueella tekee siitä hyödyllisen silmän angiografiassa. Kuten kuvasta 2 [14] nähdään, sijaitsevat ICG:n absorbtio- ja emissiopiikit 805 ja 835 nm kohdilla, jolloin verkkokalvon pigmenttiepiteeli on käytännössä läpinäkyvä silmästä otetussa kuvassa [3]. On kuitenkin huomattava, että indosyaniinivihreän kokonaisfluoresenssi on vain 4 % fluoreseiinin vastaavasta [3]. 3
Kuva 2. ICG:n absorbtio- ja emissiokäyrät. [14] 2.2 Sovelluskohteet Diabetestä voidaan pitää suomalaisten kansantautina, sillä sitä sairastaa maassamme noin 500 000 ihmistä. Yksi diabetekseen liittyvistä vakavista lisäsairauksista on diabeettinen retinopatia eli verkkokalvosairaus. Itse asiassa diabeettinen retinopatia on yksi suurimmista näkövammaisuuden aiheuttajista työikäisessä väestössä. Taudista mahdollisesti aiheutuva sokeus on kuitenkin vähentynyt puolella viimeisen kymmenen vuoden aikana johtuen tehokkaamasta seurannasta ja parantuneista hoitokeinoista. Silmästä löytyvät hiussuonten pullistumat eli mikroaneurysmat ovat ensimmäisiä merkkejä kehittyvästä sairaudesta. Myös mikroinfarktit, pienet tukokset ja verenvuodot silmän verisuonissa voivat viitata retinopatiaan. Kuvassa 3 on esitetty normaalin verkkokalvon ja retinopatiaa sairastavan ihmisen verkkokalvon erot. Toisin kuin fluoreseiinillä, ICG:llä saadaan näkyviin silmänpohjan verisuonet [3]. [10] 4
Kuva 3. Normaali verkkokalvo vasemmalla ja diabeettisesta retinopatiasta kärsivä verkkokalvo oikealla.[11] ICG-angiografiaa voidaan myös käyttää kallonsisäisen verenkierron reaaliaikaiseen seurantaan. Tästä on hyötyä mikroneurokirurgisissa operaatioissa, joihin kuuluvat mm. aneurysmien ja muiden verenkiertoon liittyvien leesioiden hoito. Menetelmää on käytetty esimerkiksi Helsingin yliopistollisen sairaalan neurokirurgisella osastolla vuodesta 2005 lähtien, joten voidaan puhua kohtalaisen uudesta sovelluskohteesta. ICG-angiografialla pyritään tarkkailemaan aneurysmien leikkauksen laatua, missä tärkeää on leesion täydellinen tukkeutuma sekä verenkierron säilyttäminen isäntä-, lävistävässä ja haarautuvassa valtimossa. Näin ollen verenkierron mittaaminen helpolla ja luotettavalla tavalla on ensisijaisen tärkeää. [4] Muita kohteita ICG-angiografian käytölle voidaan löytää rinta-, sydän- ja ihotutkimuksesta. Rintasyöpään liittyviä leesioita, jopa 1,5 cm syvyydeltä ihon alta, on mahdollista tutkia ICG-angiografian avulla. Sydämen verenkiertoa voidaan tutkia mahdollisten ahtaumien varalta sekä verenkierron tarkastamiseen ohitusleikkauksen jälkeen. Viimeisimpiin sovelluskohtiin kuuluu ihovaurioiden tutkiminen palovammoissa. [5] 5
3 Kuvaustekniikka ICG-angiografiassa ICG-angiografian kuvaustekniikka perustuu säteilyn mittaamiseen lähi-infrapuna-alueella. Kuten luvussa 2.1 todettiin, ICG:n absorbtio- ja emissiopiikit sijaitsevat juuri tällä alueella. Lähi-infrapunakuvantaminen on hyödyllistä lääketieteessä, koska infrapuna läpäisee hyvin kudoksia ja näin ollen mahdollistaa kudosten rakenteen tutkimisen pintakerroksia syvemmältä. Autofluoresenssi, muiden kuin kohteen emittoima fluoresenssi, voi myös olla haittaava tekijä angiografiassa [5]. Lähi-infrapunasuodattimen käyttö kuitenkin tehokkaasti estää tämän ilmiön. Kuvassa 4 on esitetty yksinkertainen kaaviokuva, miltä NIR-laitteisto voisi näyttää. Kuva 4. Lähi-infrapunalaitteiston hahmotelma. NIR-laitteistoja silmän kuvaamiseen valmistavat mm. saksalaiset Carl Zeiss ja Heidelberg Engineering. Heidelberg Engineeringiltä on saatavissa Spectralis HRA+OCT niminen laitteisto, jolla pystytään kuvaamaan silmää kuudella eri moodilla, joista ICG-angiografia on yksi. Laitteessa on yhtiön mukaan esimerkiksi silmän liikettä seuraava anturi ja muistiin jäävä tieto siitä, mihin kohtaa silmää laitteisto on edellisellä kerralla jäänyt. [17] Endoskopiaa käytetään lääketieteessä usein tähystämiseen. Endoskooppi on yleensä lasikuituoptiikkaan perustuva tähystin, joka viedään kehon sisälle, ja jolla samalla valaistaan tutkittavaa kudosta. Kuvassa 5 on esitetty infrapuna-alueella toimivan endoskooppijärjestelmän rakenne [5]. Skannaava laseroftalmoskooppi (SLO) on lasertekniikkaan perustuva laitteisto, jolla saadaan korkean resoluution kuvia silmistä. SLO:ssa käytetään vähäenergistä LED:iä, joka on kohdistettu erittäin tarkasti verkkokalvon pinnalle. Tämän jälkeen pinta skannataan laserilla ja heijastunut valo tuodaan takaisin herkälle valodetektorille, jossa se vahvistetaan. Verkkokalvon kuva muodostetaan mittaamalla heijastuma. Laitteistoa ohjataan tietokoneella ja siitä on ulostulo suoraan televisioon, josta operaatiota voidaan seurata reaaliaikaisesti. [18] 6
Kuva 5. Esimerkki infrapunaendoskooppijärjestelmästä.[5] Nykyään ICG-angiografiasta saatu kuvainformaatio tallennetaan yleensä videolle. Tätä kutsutaan ICG-videoangiografiaksi (ICG VA). Silmälääkäreille tästä on selkeää hyötyä, sillä he näkevät reaaliaikaista kuvadataa angiografiasta ja pystyvät tarvittaessa kohdistamaan kuvan uudelleen. Videokuvan ansiosta verenkiertoa pystytään analysoimaan paremmin kuin pelkistä yksittäisistä kuvista. Digitaaliset kuvat voidaan myös helposti arkistoida myöhempää käyttöä varten. Myös menetelmän läpikäynti potilaan kanssa on helppoa, kun käytössä on näyttölaite, josta potilas voi helposti seurata operaation kulkua. 7
4 Kuvankäsittely 4.1 Suonikalvon verenkierron analysointi Suonikalvon verenkiertoa on pystytty tutkimaan ICG-angiografian keksimisestä lähtien, mutta menetelmällä ei ole usein saatu kovinkaan tarkkoja tietoja verenkierrosta. Kuvien epäselvyyteen vaikuttavat muun muassa väriaineen vuotaminen suonikalvon sisimmistä kerroksista ja monien verisuonikerrosten projisoituminen yhteen kuvaan. Myös suurin osa fluoresoivan aineen emittoimasta valosta absorboituu silmän pigmenttiepiteeliin ja makulaksantofylliin. Seuraavaksi on esitetty menetelmä verenkierron morfologisten parametrien määrittämiseen. [12] C. Prünte ja P. Niesel [12] ovat kehittäneet tilastollisen menetelmän suonikalvon verenkierron analysointiin. Tutkimuksessa käytettiin normaalia videoangiografiaa, jonka jälkeen kasetille nauhoitettua kuvaa tutkittiin pääosin harmaatasoanalyysin avulla. Kuvien resoluutio oli 256 harmaatasoa. Näille kuville määritettiin keskimääräinen harmaa-arvo (MV), harmaa-arvojen keskihajonta (SD) ja variaatiokerroin CVG, joka saadaan kaavalla SD 100 CVG = (1) MV Kuvassa 6 on esitetty terveen ja makuladegeneraatiota sairastavan silmän erot. Ylhäällä on terveestä silmästä otetut kuvat valtimoiden täyttymisvaiheen huipussa (a) ja hiussuonten täyttymisvaiheessa (b). Alhaalla ovat vastaavat kuvat makuladegeneraatiota sairastavasta silmästä. Videokuvasta pystytään analysoimaan kaavan (1) perusteella variaatiokerroin väriaineen kulkeutumisen eri vaiheille. Näitä vaiheita on siis kolme: valtimoiden, hiussuonten ja laskimoiden täyttyminen. [12] Kuvasta 7 nähdään selkeät erot CVG-arvoissa terveen ja ei-terveen silmän välillä. Kuvaan 8 on merkitty eri täyttymisvaiheet. Tässä tutkimuksessa oli käytetty 5 tervettä ja 5 makuladegeneraatiota sairastavaa ihmistä. Kuvaaja oli jokaisen potilaan kohdalla samannäköinen. Taulukkoon 1 on koottu eri vaiheiden CVG-arvojen keskiarvo ja keskihajonta molemmille potilasryhmille. Taulukosta 1, kuten myös kuvaajasta, voidaan helposti havaita CVG:n suuri eroavaisuus eri potilasryhmien välillä. 8
Kuva 6. Kuvankaappauksia videotallennuksesta. Kuvassa a ja b terveen silmän valtimoiden ja hiussuonten täyttyminen ja c- ja d-kuvissa samat vaiheet makuladegeneraatiota sairastavalla ihmisellä. Kuva 7. CVG-arvot ajan funktiona terveelle silmälle (neliöt) ja makuladegeneraatiota sairastavalle (ympyrät).[12] 9
Kuva 8. Terveen silmän CVG-arvot ja eri täyttymisvaiheet: valtimot (A), hiussuonet (B) ja laskimot (C).[12] Taulukko 1. CVG-arvojen ero terveiden ja makuladegeneraatiota sairastavien välillä eri täyttymisvaiheissa. [12]. Tämä menetelmä on yksinkertainen, mutta se tarjoaa kuitenkin hyvin tietoa silmän verenkierron ominaisuuksista. CVG-arvo on käytännöllinen, koska siihen ei vaikuta valaistus, pupillin halkaisija tai ICG:n konsentraatio. Näiden arvojen avulla voidaan määrittää mm. keskimääräinen valtimoiden täyttymisaika ja keskimääräinen hiussuonten täyttymisaika. Esimerkiksi hiussuonten täyttymisvaiheessa terveessä silmässä hiussuonet ovat niin lähellä toisiaan, etteivät ne erotu kuvassa toisistaan. Näin ollen tuloksena on kuvassa 6 b-kohdassa esiintyvä kauttaaltaan vaalea kuva, mikä taasen johtaa alhaisiin CVG-arvoihin. Jos suonikalvon verisuonet ovat ohentuneet, saadaan d-kohdan kuva, jossa CVG-arvot ovat sen sijaan korkeita. Tämä viittaa siihen, että hiussuonten läpivirtausta voidaan kuvata CVG-arvolla varsin luotettavasti. 4.2 Värien normalisointi verkkokalvokuvissa Automaattiset kuvankäsittelyohjelmat perustavat usein analyysinsä pelkästään kuvan intensiteettiin. Silmässä esiintyvät vammat ovat kuitenkin useasti erivärisiä, jolloin tarvitaan jonkinnäköistä luokittelua eri vammatyypeille perustuen niiden väriin. Jotta väreihin perustuva luokittelu olisi tehokasta, värit on normalisoitava. Tämä johtuu siitä, että eri ihmisten verkkokalvon pigmentin väri vaihtelee, mikä taasen vaikeuttaa jo ennestään pienten värierojen havaitsemista leesioissa. [16] Ihmisen näkökyvyn ominaisuuksiin kuuluu erilaisten spektrien aistiminen samaksi väriksi. Tästä johtuen myös kamerat tulkitsevat spektriä samalla tavalla, kolmen reseptorin avulla. Esimerkiksi vaaleanharmaalle pinnalle heijastetun kuvan valkoiset osat näyttävät edelleen ihmishavaitsijasta valkoisilta, samalla tavalla kuin täysin valkoiselle pinnalle heijastetussa kuvassa. Kameroilla ei kuitenkaan ole tätä ominaisuutta. Leesioiden väri kameran 10
havaitsemana määräytyy niiden materiaalin, tiheyden, heijastuneen tai siroutuneen valon ja silmän mykiön värin mukaan. [16] Kieth A. Goatman et al. [16] esittämän menetelmän avulla voidaan silmästä otetut verkkokalvokuvat normalisoida niin, että ihmisten yksilölliset pigmentit eivät vaikuta niihin. Normalisaatiossa on siis tavoitteena valaistuksen vaikutuksen eliminoinointi. Tässä on käytetty kolmea eri menetelmää: greyworld, histogrammin tasoitus ja histogrammin spesifiointi. Greyworld-normalisoinnissa oletetaan valaisevan spektrin olevan monikertoja punaisesta, vihreästä ja sinisestä, ja kun näitä jaetaan vastaavilla keskiarvoilla, saadaan kertoimen vaikutus eliminoitua. Histogrammin tasoituksessa pienempikontrastisten alueiden kontrastia lisätään muuttamatta kuitenkaan kuvan kokonaiskontrastia. Spesifioinnissa puolestaan määritetään kunkin värikanavan histogrammi vastaamaan tiettyä ennalta määrättyä histogrammia. Kuvasta 9 nähdään kunkin menetelmän vaikutus testikuvaan. Kuva 9. Eri normalisointimenetelmät. Vasemmalta lähtien: alkuperäinen kuva, greyworld, histogrammin tasoitus ja histogrammin spesifiointi.[16] Kyseisessä normalisointitutkimuksessa otettiin 18 verkkokalvokuvaa, joissa jokaisessa oli jonkinasteisia vammoja. Kuvat otettiin Topconin valmistamalla silmänpohjakameralla, jonka jälkeen ne digitalisoitiin skannerilla. Jokaisesta kuvasta korostettiin eri leesiotyypit. Kuvassa 10 on esitetty leesioiden keskimääräiset väriarvot ilman normalisointia sekä jokaisen normalisointimenetelmän kanssa. Kolmiulotteiset RGB-arvot on muunnettu kaksiulotteiseen muotoon kaavalla r = R / (R + G + B), g = G / (R + G + B), b = B / (R + G + B) (3) Näitä koordinaatteja kutsutaan värikoordinaateiksi (engl. chromaticity coordinates). Kuvasta voidaan nähdä, että eri normalisointimenetelmät erottavat eri leesiotyypit selkeästi toisistaan. Histogrammin spesifiointi näyttää antavan parhaan tuloksen näistä kolmesta menetelmästä. [16] 11
Kuva 10. Väriarvot eri leesiotyypeille. 4.3 Spatiaalisen vääristymän korjaaminen Silmän pallomainen rakenne aiheuttaa spatiaalista vääristymää silmästä otetun kuvan reunoille. Verkkokalvon keskellä sijaitsevassa makulassa ei vääristymää esiinny juuri lainkaan, joten sitä ei tarvitse huomioida. Wen-Wha, David Wilson ja Lawrence Singerman ovat kuitenkin kehittäneet tähän ongelmaan suhteellisen yksinkertaisen ratkaisun. Tämä menetelmä keskittyy kuvan ääripäiden vääristymän korjaamiseen parabolisella uudelleenkohdentamisella. Menetelmää varten rakennettiin lasisilmä, johon merkittiin koordinaatistoviivat. Tämän jälkeen lasisilmästä otettiin kuva ja verrattiin sitä tasaisesta pinnasta otettuun kuvaan. Etäisyys koordinaatiston keskipisteestä r saadaan kaavalla r = a + b * r + c * r 2, (2) missä r on ruudukon arvo ja a, b ja c ovat määritettäviä parametrejä. Kuuden parametrin muunnoksen tarkka kuvaus on selitetty lähteessä [15]. Kliiniset kuvat korjataan affiinisen muunnoksen avulla. Kuvassa 11 on esitetty punavapaa testikuva, jossa testihenkilöä on käsketty liikkumaan silmiään. Vasemmanpuoleinen kuva on korjattu 6 parametrin muunnoksen avulla, mutta siinä on havaittavissa poikkeamaa varsinkin kuvan alareunassa. Oikealla sijaitsevasta kuvasta säteittäinen poimuttuminen on korjattu. Kuten testikuvista nähdään, voidaan vääristymää korjata suhteellisen yksinkertaisella yhtälöllä 2. [15] 12
Kuva 11. Vasemmalla puolella on limittynyt kuva kuuden parametrin muunnoksen jälkeen. Oikealla puolella kuvasta on korjattu säteittäinen poimuttuminen.[15] 4.4 Ohjelmaesimerkki - RetinaView Leesioiden yksityiskohtainen määrittäminen verkkokalvokuvista on usein silmälääkäreille vaikeaa ja aikaa vievää, koska informaatiota täytyy manuaalisesti yhdistellä eri kuvista. Kuitenkaan helppokäyttöisiä ja edullisia ohjelmia verkkokalvokuvien tarkasteluun ei ole liiemmin markkinoilla. Helppokäyttöisellä ja tehokkaalla tarkoitetaan tässä ohjelmaa, joka tuo esille samanaikaisesti useampia modaliteettejä samasta alkuperäisestä verkkokalvon kuvasta. Tämä helpottaisi eri tautien diagnosoimista ja niiden seuraamista. RetinaView on Javaan pohjautuva ohjelma silmän verkkokalvokuvien analysointiin. Sillä voidaan segmentoida diabeettiseen retinopatiaan ja makuladegeneraatioon liittyviä leesioita. Mikroaneurysmien ja drusenien havaitsemiseen ohjelma käyttää morfologista suodatusta. Verkkokalvokuvasta luodaan kuusi eri modaliteettiä: sinivihreä-, infrapuna-, autofluoresenssi-, normaali-, fluoresenssi angiografia- ja icg-angiografiavideo. Nämä kaikki modeliteetit yhdistetään lopulta yhdeksi kuvaksi käyttäen hyväksi fouriermuunnosta ja mutual information tekniikkaa. [7] Seuraavaksi käydään läpi esimerkki ohjelman toiminnasta mikroaneurysmien segmentoinnista silmänpohjakuvissa. Menetelmä voidaan jakaa periaatteessa viiteen eri vaiheeseen: 1. Kuvan kontrastia parannetaan ja epätasainen valaistus korjataan. 2. Verkkokalvon verisuonisto tuodaan esille morfologisten suodattimien avulla. 3. Silmän sokea piste poistetaan kuvasta. 4. Kuva suodatetaan taas morfologisella suodattimella ja kynnystetään mikroaneurysmien esilletuomiseksi. 5. Kohina poistetaan muotosuodattimen ja harmaatasoinformaation avulla. [7] Kuvassa 12 on nähtävissä menetelmän tulokset. 13
Kuva 12. Vasemmalla on normaali värivalokuva silmänpohjasta ja oikealla on samaisesta kuvasta vihreä kanava, jossa on lisäksi leesiot segmentoitu.[7] Makuladegeneraatioon läheisesti liittyvät drusenit pystytään korostamaan RetinaView n avulla. Näiden leesioiden havaitsemiseen ja segmentointiin käytetään matemaattiseen morfologiaan perustuvaa algoritmiä. Kuvasta määritetään aluksi taudin etenemisvaihe, jonka avulla voidaan optimoida algoritmiin kuuluvat muuttujat. Kuvassa 13 on esimerkki drusenien segmentoinnista: A-kohdassa on ihmisen suorittama segmentointi, B-kohdassa tietokoneen ja C-kohdassa eri versiot on yhdistetty samaan kuvaan. Drusenien segmentoinnin automatisointi näyttäisi onnistuvan kohtuullisen hyvin. [7] Kuva 13. Drusenien segmentointi. A-kohdassa ihmisen suorittamana, B:ssä tietokoneen ja C-kohdassa kuvat on yhdistetty.[7] 14
5 Yhteenveto ja tulevaisuudennäkymät Tässä työssä on aluksi luotu katsaus verisuonikartoituksen periaatteisiin ja indosyaniinivihreän rooliin siinä. Angiografiaa on käytetty lääketieteessä jo miltei vuosisadan ajan, mutta kuten monessa muussakin teknologiassa, on sen kehitys harpannut isoja askelia viimeisten parin vuosikymmenen aikana. Sama pätee silmän angiografialle. ICG:n keksimisestä 1950-luvulta lähtien ja sen kliinisestä käytöstä 70-luvulta asti, on silmänpohjan tutkimus edennyt merkittävästi. Teknologian kehittyminen vienee tästäkin suurimman kunnian, koska onhan ihmisen anatomia ollut tunnettuna hyvin jo jonkin aikaa, mutta suurimmat haasteet esimerkiksi silmän kuvauksessa ovat kameroiden resoluutioiden parantaminen ja sitä kautta tarkempien kuvien saaminen. ICG-angiografiaa on perinteisesti sovellettu silmänpohjan verisuoniston tutkimiseen, mutta sille on pikkuhiljaa kehittynyt muitakin sovelluskohteita perinteisen diabeettisen retinopatian ja makuladegeneraation rinnalle. Kehittyneen kamerateknologian ansiosta sitä pystytään nykyisin käyttämään mm. suurta tarkkuutta vaativissa mikroneurokirurgisissa operaatioissa. Suurin osa tämän työn sisällöstä on keskittynyt angiografisten kuvien jälkikäsittelyyn. Tämä on juuri se teknologian osa-alue, jossa pystytään eniten siirtämään työtä ihmiseltä tietokoneelle. Silmäkuvien läpikäynti manuaalisesti on aikaavievää, joten tämä kehityssuunta on hyvin toivottava kustannusten karsimisessa ja terveydenhuollon tehokkuuden lisäämisessä. Työssä on tuotu esille kaksi hyödyllistä tapaa jälkikäsitellä silmäkuvia: värien normalisointi ja spatiaalisen vääristymän korjaaminen. Normalisointi on osoitettu toimivaksi ratkaisuksi, kun halutaan eritellä erityyppisiä leesioita silmänpohjakuvista, joissa usein pigmentin värivaihtelut huonontavat erottelukykyä. Spatiaalisen vääristymän korjaaminen on taasen hyvin yksinkertainen menetelmä, mutta josta on kuitenkin selkeää hyötyä. Lisäksi on tuotu esille tilastollinen menetelmä suonikalvon verenkierron analysointiin, jossa harmaatasoja analysoimalla voidaan todeta makuladegeneraation esiintyminen. Lopuksi on esitelty esimerkkinä Javaan pohjautuva ohjelma, RetinaView, jolla voidaan helposti jälkikäsitellä kuvia. Tulevaisuudessa ICG-angiografian merkitys tulee kasvamaan entisestään puolijohdetekniikan kehittyessä. Jo olemassaolevien laskennallisten kuvankäsittelyalgoritmien käyttöönotto kuvien jälkikäsittelyssä todennäköisesti lisääntyy. Uusia käyttökohteita kehitetään jatkuvasti lisää, ja nykyisin ICG-angiografiaa käytetään monessa muussakin kohteessa kuin vain tässä työssä luetelluissa. Kehityksen alla olevista lupaavista kohteista voidaan mainita esimerkiksi syöpään liittyvien kasvainten havaitseminen ICG:n avulla [19]. 15
Viitteet [1] Wilms G., Baert AL. The history of angiography. Journal Belge de Radiologie 1995;78(5):299-302. Saatavissa: http://www.ncbi.nlm.nih.gov/pubmed/8550396 [2] Helsingin ja Uudenmaan sairaanhoitopiiri. Angiografia. Verkkodokumentti. Päivitetty 13.10.2005. Viitattu 20.10.2008. Saatavissa: http://www.hus.fi/default.asp?path=1,32,660,546,570,1159,1160,7285 [3] Owens S. L. Indocyanine green angiography. British Journal of Ophthalmology 1996; 80:263-266. Saatavissa: http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=505439 [4] R. Dashti, J. Hernesniemi ja Mika Niemelä. The role of intra-operative indocyanine green video-angiography in cerebrovascular surgery. European Neurological Disease 2007;2. Saatavissa: http://www.touchneurology.com/role-intra-operative-indocyaninea7881-1.html [5] J. V. Frangioni. In vivo near-infrared fluorescence imaging. Current Opinion in Chemical Biology 2003;7:626-634. Saatavissa: http://mips.stanford.edu/public/classes/bioe222/lectures/jrao/ref1nir.pdf [6] Bong-Hyun Kim. Lightless cataract surgery using a near-infrared operating microscope. Journal of Cataract & Refractive Surgery 2006;32:1683-1690. Saatavissa: http://linkinghub.elsevier.com/retrieve/pii/s0886335006009400 [7] B. Raman, M. Wilson, I. Benche, P. Soliz, A Java-based system for segmentation and analysis of retinal images. Proceedings of the 16th IEEE Symposium on Computer-Based Medical Systems CBMS 2003, IEEE, Piscataway, NJ, 2003:336-339. Saatavissa: http://ieeexplore.ieee.org/search/srchabstract.jsp?arnumber=1212811&isnumber=27272&p unumber=8605&k2dockey=1212811 [8] Acros Organics. Verkkodokumentti. Viitattu 22.11.2008. Saatavissa: http://www.acros.be/desktopmodules/acros_search_results/acros_search_results.aspx? search_type=catalogsearch&searchstring=3599-32-4 [9] Terveyskirjasto. Varjoainekuvaukset. Verkkodokumentti. Viitattu 20.11. Saatavissa: http://www.terveyskirjasto.fi/terveyskirjasto/tk.koti?p_artikkeli=snk04025&p_haku=angio grafia [10] Terveyskirjasto. Diabeettinen retinopatia. Verkkodokumentti. Viitattu 20.11. Saatavissa: http://www.terveyskirjasto.fi/terveyskirjasto/tk.koti?p_artikkeli=khp00059 [11] MedlinePlus Medical Encyclopedia. Diabetic retinopathy. Verkkodokumentti. Päivitetty 8.2.2007. Viitattu 20.11. Saatavissa: http://www.nlm.nih.gov/medlineplus/ency/imagepages/17150.htm [12] C. Prünte, P. Niesel, Quantification of choroidal blood-flow parameters using indocyanine green video-fluorescence angiography and statistical picture analysis. Graefe's Archive for Clinical and Experimental Ophthalmology 1988:226(1):55-58. Saatavissa: http://www.springerlink.com/content/v414448437075446/ [13] Douglas C. Giancoli 2000. Physics for scientists and engineers. 3rd ed. New Jersey, United States: Prentice Hall. ISBN 0-13-021517-1. 16
[14] Drugs.com. Indocyanine Green patient advice including side effects. Verkkodokumentti. Viitattu 1.12.2008. Saatavissa: http://www.drugs.com/pdr/indocyanine-green.html [15] Wen-Wha Lee, David Wilson, Lawrence Singerman, Correction of spatial distortion and registration in ophthalmic fluorescein angiography. Engineering in Medicine and Biology Society, 1994. Engineering Advances: New Opportunities for Biomedical Engineers. Proceedings of the 16th Annual International Conference of the IEEE 1994:1:508-509. Saatavissa: http://ieeexplore.ieee.org/iel5/3230/9197/00411930.pdf?arnumber=411930 [16] K. A. Goatman, A. D. Whitwam, A. Manivannan, J. A. Olson and P. F. Sharp, Colour normalisation of retinal images. Proceedings of Medical Image Understanding and Analysis 2003. Saatavissa: http://www.biomed.abdn.ac.uk/abstracts/a01128/ [17] Heidelberg engineering. Spectralis HRA+OCT. Verkkodokumentti. Viitattu 5.12.2008. Saatavissa: http://www.heidelbergengineering.com/products/spectralis-hra-oct/ [18] Atul Kumar, Sanjeev Nainiwal, Gunjan Prakash, Indocyanine green angiography in age-related macular degeneration. Bombay Hospital Journal 2002. Saatavissa: http://www.bhj.org/journal/2002_4403_jul/md_333.htm [19] Susumu Ito, Naoki Muguruma, Tetsuo Kimura, Hiromi Yano, Yoshitaka Imoto, Koichi Okamoto, Masako Kaji, Shigeki Sano, Yoshimitsu Nagao, Principle and clinical usefulness of the infrared fluorescence endoscopy. The Journal of Medical Investigation 2006:53. 17