SHEAR WAVE DISPERSION IMAGING for Liver Viscosity

TẠO HÌNH  ĐÀN HỒI PHÂN TÁN SÓNG BIẾN DẠNG [SHEAR WAVE DISPERSION IMAGING] CHO ĐỘ NHỚT GAN [LIVER VISCOSITY], Katsutoshi Sugimoto,  Canon Visions Magazine 30, pp 38-41, 2018.

Độ nhớt  khi dùng để đánh giá tích mỡ gan [fat deposition] và những thay đổi viêm hoại tử [necroinfammatory change] hiệu quả hơn độ đàn hồi mô.

Trong thực nghiệm trên chuột, dựa vào histopathology, với mô hình viêm, viscosity nhiều hơn elasticity;

 còn trong mô hình fibrosis, elasticity nhiều hơn viscosity.

Như đã biết, kỹ thuật đo đàn hồi mô SWE giúp đo định lượng và  biểu diễn độ đàn hồi mô trong thời gian thực. Y văn cho thấy SWE là kỹ thuật đánh gía hóa xơ [fibrosis] gan nhanh và hiệu quả, nhưng còn có giới hạn ở trường hợp gan viêm hay thấm mỡ.

Lý do SWE còn bị giới hạn là vì đặc tính nhớt đã cản trở thuật tóan định tính đàn hồi gan. Thật ra, mô gan có đặc tính đàn hồi nhớt và việc truyền sóng biến dạng tùy thuộc vào cả độ đàn hồi và độ nhớt. 
Đã được báo cáo rằng viêm gan cấp, gan thấm mỡ không do rượu (NAFLD) và viêm gan mỡ không do rượu (NASH) đều làm tăng độ nhớt gan, làm ảnh hưởng việc đánh giá độ cứng gan. 
Thêm nữa định lượng chính xác gan cứng cùng gan thấm mỡ và gan viêm còn là thách thức. Phát  hiện và điều trị sớm viêm gan cấp và tần suất cao của gan thấm mỡ cho phép đảo ngược tiến trình thoái hóa này. Do vậy cần sớm tiêu chí hóa phát hiện độ nhớt gan vào trong chẩn đoán.

Shear Wave Dispersion Imaging [SWD], tạo hình đàn hồi phân tán sóng biến dạng là kỹ thuật mới của dòng máy Aplio-i-series để đánh giá sự phân tán sóng biến dạng có liên quan đến đặc tính nhớt trong bệnh lý gan lan tỏa. Một bản đồ phân tán giúp quan sát được dispersion slope [khoảng dốc phân tán], là thông số trực tiếp của độ nhớt. Giá trị khoảng dốc phân tán với đơn vị (m/s/kHz) và độ lệch chuẩn được hiển thị. 

Ở SWE quad view mode (Fig.1), tốc độ sóng biến dạng hay tốc độ đàn hồi (Speed Map, Elascity Map), shear wave arrival time contour (Propagation Map), thang xám, và bản đồ phân tán (Dispersion Map) được hiển thị cùng lúc.

Nguyên lý của Shear Wave Dispersion Imaging

Gan có đàn hồi nhớt và tốc độ sóng biến dạng tùy thuộc vào cả độ đàn hồi và độ nhớt. Ở  vật liệu đàn hồi nhớt mô phỏng, độ nhớt (PA-s) như là ống nhún [damper, van giảm chấn động xoắn] và độ đàn hồi như một lò xo nhún [spring]. Độ nhớt  đo  sự chống lại với chuyển động nhấp tỉa tương đối, như cái ống nhún, mô chuyển động dưới biến dạng dần dần hơn là  biến dạng đột ngột. Độ đàn hồi đo được  khả năng mô chống lại biến dạng và trở lại trạng thái cũ. Như chuỗi lò xo co lại dưới áp lực và bung ra khi mất đè ép. Có 2 mẫu đàn hồi nhớt : model Maxwell, là một spring và một damper nối nhau trong một chuỗi; và model Voigt là một string và một damper nối song song.

Giống như SWE, để đánh giá độ nhớt, SWD đo sóng biến dạng lan truyền tạo ra trong mô bị biến dạng do một xung đẩy. Trong thuật toán định lượng SWE (kPa) hiện tại, đặc tính nhớt bị bỏ qua. Trong một ví dụ đo độ đàn hồi với model Voigt, mô gan được đánh giá đàn hồi hoàn toàn, bởi độ đàn hồi biến dạng được tính khi bỏ qua độ nhớt. Do liên hệ với độ đàn hồi biến dạng Young’s modulus E, độ đàn hồi E (kPa) có thể đo được từ tốc độ lan truyền sóng biến dạng (Fig 3).

Thật ra, mô gan có đặc tính đàn hồi nhớt. Bệnh mạn tính như viêm gan hay viêm gan mỡ được xem như làm tăng độ nhớt gan. Trong mô đàn hồi nhớt, tốc độ sóng biến dạng trải qua sự phân tán tần số [frequency dispersion], từ đó làm giảm tốc độ sóng biến dạng, cs tùy thuộc vào tần số sóng biến dạng của nó, f. Tương quan giữa tốc độ sóng biến dạng và tần số biến dạng quan sát được trong model Voigt, có nghĩa là  tốc độ sóng biến dạng được đánh dấu ngược lại tần số của nó với độ đàn hồi biến dạng khác và độ nhớt biến dạng (Fig 4). Trong mô đàn hồi hoàn toàn, tốc độ sóng biến dạng không đổi đối với tần số sóng biến dạng. Tuy nhiên, trong mô đàn hồi nhớt, tốc độ sóng biến dạng lại rất phụ thuộc vào tần số. Ở một độ đàn hồi cố định, với độ nhớt biến dạng gia tăng, khoảng dốc sẽ tăng, như vậy khoảng dốc cho thấy mức độ (degree) của tần số phân tán (Fig 5). Phân tán và độ nhớt có tương quan dương tính. 

SWD là kỹ thuật mới để thấy sự phân tán (slope). Chú ý SWD không đo độ nhớt trực tiếp,nhưng có lợi thế định lượng được sự phân tán, vốn là thông số liên quan trực tiếp đến độ nhớt.

Bản đồ Phân tán sóng biến dạng  [Shear Wave  Dispersion Map] cho thấy khoảng dốc phân tán, giúp đánh giá độ nhớt của gan. Giống như SWE, một xung đẩy làm mô gan biến dạng tạo nên sóng biến dạng. Dời chỗ mỗi điểm data (A hoặc B trong Fig 6) được phát hiện, thông tin thời gian và biên độ dời chỗ  được thu thập. Bằng cách sử dụng thuật toán FFT, tín hiệu sóng biến dạng được chuyển đổi thành phức hợp tần số sóng biến dạng.
Tần số sóng biến dạng có được tạo thành trục x cho việc tính khoảng dốc phân tán. Tốc độ sóng biến dạng được tính cho mỗi tần số dựa trên dời chỗ tương đối giữa các điểm data.
Tốc độ sóng biến dạng tính ở mỗi tần số được đánh dấu trên trục y. Độ dốc của tốc độ sóng biến dạng có được là trị giá của độ phân  tán tính bằng đơn vị m/s/kHz, diễn tả tốc độ sóng biến dạng đối với tần số sóng biến dạng. Trị giá độ phân tán chồng lên hình B-mode và tạo nên bản đồ phân tán. Đặt vùng ROI lên bản đồ phân tán sóng biến dạng sẽ tính được khoảng dốc phân tán và đánh giá được độ nhớt gan.

ĐÁNH GIÁ  LÂM SÀNG, pp 40-41, visions-magazine-issue-30

Kết luận 

Kết quả thực nghiệm lâm sàng với SWD, độ đàn hồi elasticity là thông số hiệu quả cho đánh giá hoá xơ gan, trong khi ở thấm mỡ gan và tình trạng viêm gan hoại tử là thông số độ nhớt viscosity.

SWD, tạo hình đàn hồi phân tán sóng biến dạng, là kỹ thuật tạo hình mới giúp đánh giá độ nhớt có tiềm năng cho lâm sàng bệnh lý gan.

RADIOMICS and ULTRASOUND

Tạo hình dữ liệu hóa [radiomics] được định nghĩa  là việc trích ra ở mức cao toàn bộ đặc điểm của  tạo hình định lượng hay kết cấu  [texture] từ chẩn đoán hình ảnh để giải mã bệnh học mô, và tạo mới dữ liệu với kích thước lớn để  trích xuất ra các đặc điểm.

Đặc điểm của tạo hình dữ liệu hóa cung cấp thông tin về các kiểu thang xám [gray-scale patterns], tương quan liên điểm ảnh [inter-pixel relationships]. Nhìn chung, dạng và các đặc điểm phổ được trích ra từ cùng vùng quan tâm (ROI) của tạo hình chẩn đoán hình ảnh. Hơn nữa, các đặc điểm này còn được tạo nên các mô hình điện toán dùng trong thuật toán trí tuệ nhân tạo tiên tiến [advanced machine learning algorithms], được dùng để chẩn đoán chính xác (hay cá thể hóa) [personalized diagnosis] và hướng dẫn điều trị.

Trong tạo hình siêu âm gan

Phân tích kết cấu [texture analysis] tạo hình siêu âm gan lần đầu tiên được Raeth và cộng sự hoàn thành vào năm 1985 để phân loại gan bình thường, bệnh lý gan lan tỏa và bệnh ác tính trên dữ liệu của 71 bệnh nhân với độ chính xác 96%.

Wu và cộng sự phân tích phân dạng đa ly giải [multiresolution fractal analysis] nhằm phân biệt gan bình thường, u gan và chai gan trên dữ liệu 40 bệnh nhân đạt chính xác 90%. Các tác giả nhận thấy đặc điểm phân tích phân dạng đa ly giải hoàn thành tốt hơn Gray Level Co-occurrence Matrix [GLCM] dựa vào đặc điểm kết cấu  cũng như  Laws texture energy measures.

Sujana và cộng sự trích đặc điểm thống kê thứ tự bậc nhất [first order statistical features] theo ma trận GLCM và GLRL  dựa trên đặc tính để phân loại tạo hình siêu âm gan của 113 bệnh nhân bình thường, u mạch máu gan và các loại ung thư, khi dùng mạng nơrôn nhân tạo [artificial neural network] đạt được phân loại chính xác đến 100%.

Horng và cộng sự dùng kỹ thuật phân tích kết cấu mới gọi là mã hóa đặc điểm kết  cấu  [texture feature coding] để phân biệt gan bình thường, viêm gan và chai gan trên 120 bệnh nhân (30 ca huấn luyện và 90 test tạo hình). Họ đạt được độ chính xác 86,7% khi so sánh với 75,7% cùng nhóm nghiên cứu khi dùng GLCM, phổ kết cấu và đặc điểm dựa trên kích cỡ phân dạng [fractal dimension].

Yoshida và cộng sự phân tích đa ly giải [multiresolution analysis] trên 44 bệnh nhân và đạt được diện tích dưới đường cong AUC =0,92 khi phân biệt ác tính với tổn thương lành tính.

Từ đó có nhiều nghiên cứu siêu âm dùng phân tích kết cấu để phân loại tổn thương gan khu trú. Có một nghiên cứu so sánh dùng cách tiếp cận phân tích kết cấu đã hoàn thành được tìm thấy trong y văn. Mới đây, Mitrea và cộng sự đã hoàn tất việc trích GLCM based texture features từ Laws texture energy images có được, qua lọc hình siêu âm gan, đạt độ chính xác đến 90% trong phát hiện ung thư gan. 

Trong tạo hình siêu âm vú

Garra và cộng sự thực hiện phân tích kết cấu (thống kê thứ tự bậc nhất [first order statistics], GLCM và kích cỡ phân dạng [fractal dimension]) ở siêu âm vú ở một nghiên cứu cohort gồm 80 bệnh nhân. Họ xác định được tổn thương ác tính với độ nhạy 100% và độ đặc hiệu 80% (78% cho fibroadenoma, 73% cho cysts và 91% cho fibrocystic nodules). Từ đó nhiều nghiên cứu đã dùng phân tích kết cấu để phân biệt tổn thương vú lành tính và ác tính bằng siêu âm.

CÁC VẤN ĐỀ THEN CHỐT [KEY ISSUES]

- Tạo hình dữ liệu hóa là lãnh vực nghiên cứu mới và nhắm đến y học chính xác [precision medicine].
--   Căn bản toán học của tạo hình dữ liệu hóa dựa trên kết cấu [texture], dạng và lý thuyết huấn luyện.

- Phát triển và xác định chặt chẽ các đặc điểm tạo hình bệnh học lâm sàng cho các đặc điểm tạo hình dữ liệu hóa  để ứng dụng rộng rãi  trong y học chính xác. 

- Cần nghiên cứu thêm để xác định các bước tiến hành tối ưu cho việc áp dụng tạo hình dữ liệu hóa  có thể lập lại được cho nhiều ứng dụng tạo hình khác nhau, ví dụ như, loại chẩn đoán hình ảnh, phân cột biểu đồ [histogram binning], giãn cách điểm ảnh 3 chiều [voxel spacing], cỡ hình ảnh hay ROI, và cỡ của lọc [spatial filtering kernel], ...

-  Chuẩn hóa các đặc điểm  tạo hình dữ liệu hóa ‘phát hiện” của ứng dụng lâm sàng cần thiết cho tăng cường khả năng chẩn đoán; hầu như các nghiên cứu đến nay chỉ có AUC thấp đến trung bình. Do đó mỗi bước của tạo hình dữ liệu hóa cần được phân tích rộng mở, đánh giá và chuẩn hóa tạo hình dữ liệu hóa nhằm đạt được khả năng thật sự như một hệ thống hỗ trợ quyết định.
-  Thuật toán dữ liệu tiên tiến sẽ cần đến để xác định các đặc điểm có ý nghĩa trong  không gian đặc điểm kích thước cao tạo bởi kỹ thuật tạo hình dữ liệu hóa.
-  Cần có các nghiên cứu theo dỏi và thử nghiệm tiền cứu để xác định đầy đủ ảnh hưởng của tạo hình dữ liệu hóa cho chẩn đoán và y học chính xác.

------------

    GHI CHÚ:

N

 texture liên quan đến các đặc điểm bề mặt của một vật thể và có kích thước, hình dáng, mật độ, sự sắp xếp, tỷ lệ các thành phần cơ bản của vật thể. Một texture thường được miêu tả là mịn hay gồ ghề, mềm hay cứng, thô hay bóng vv. Các texture có thể thấy trong tự nhiên và trong cơ thể: gan, vú...

   “precision medicine” và “personalized medicine” đều là y học chính xác, y học cá thể hóa. Theo National Research Council, “personalized medicine” là thuật ngữ cũ và có ý nghĩa tương tự “precision medicine”. Tuy nhiên, thường hiểu lầm “personalized medicine” hay y học cá thể hóa là liệu pháp điều trị và phòng ngừa cho mỗi cá nhân độc nhất. Thật ra, precision medicine, với ý nghĩa tương tự “personalized medicine”, tập trung vào xác định những đích tác động có hiệu quả với bệnh nhân, dựa trên gen, nhân tố môi trường… và sử dụng cho các nhóm bệnh nhân. Thuật ngữ “precision medicine”  thường được chọn dùng vì mang tới một cách hiểu chính xác hơn.

     điểm ảnh 3 chiều [voxel]= với siêu âm B-mode và Doppler, ở cùng vị trí điểm ảnh, có lưu giữ dữ liệu về mật độ [density] và trị giá dòng chảy thể tích [volumetric flow rate] theo những kênh riêng biệt. 

    FURTHER READING: RADIOMICS, Wikipedia

TÀI LIỆU THAM KHẢO CHÍNH:

 

                Radiomics: a new application from established techniques

          https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5193485/

          Radiomics: Images Are More than Pictures, They Are Data

https://pubs.rsna.org/doi/full/10.1148/radiol.2015151169

Radiomics: extracting more information from medical images using 

advanced feature analysis. Eur J Cancer. 2012 Mar;48(4):441-6. 

doi: 10.1016/j.ejca.2011.11.036. Epub 2012 Jan 16.