Optimalisering av mammografi med SDNR og CDMAM Tore Sivert Istad Forsker, Statens strålevern
Prosjekt Formål: Teste ut og evaluere en optimaliseringsmetode beskrevet i faglitteraturen Med sikte på generell bruk på mammo-laber i Norge Gjennomføre optimalisering på en mammo-lab på Sykehuset i Vestfold
Bidragsytere: Kristin Pedersen, Statens strålevern Bente Konst, Sykehuset i Vestfold Tore Sivert Istad, Statens strålevern
Replikasjon og videreføring av en metode beskrevet i "Optimal beam quality selection in digital mammography, Young et al, 2006, The British Journal of Radiology "Use of the European Protocol to Optimise a Digital Mammography System, Young et al, 2006, Proceedings of IWDM 2006 Også inspirert av "Experimental investigation on the choice of the tungsten/rhodium anode/filter combination for an amorphous selenium-based digital mammography system, Toroi et al, 2007, European Radiology
Vi har utført metoden på to systemer på Sykehuset i Vestfold: System A B Model Hologic Lorad Selenia Hologic Lorad Selenia Detector element size m Image matrix size K K Technology 70 3.3 4.0 Se Mo-Mo Mo-Rh 70 3.3 4.0 Target-filter materials Detector ID MP2147 Grid Yes Se W-Rh MM60177 Yes W-Ag
Grunnleggende idé og fremgangsmåte
Variable: anode, filter, kv, mas Parametre som søkes optimalisert: Signalforskjell-til-støy-forhold (SDNR) Midlere brystkjerteldose (MGD) Optimaliseringen gjøres for en rekke forskjellige brysttykkelser
SDNR Signal-Difference-to-Noise-Ratio SDNR m bkg m Al 2 2 bkg Al 2 Også kalt Contrast-to-Noise-Ratio (CNR)
Midlere brystkjerteldose MGD MGD er en beregnet stråledose (Gy) til brystkjertelvevet i et modellert standardbryst Kjertelvevet er det som ansees å være strålingssensitivt i et bryst MGD beregnes fra målt luftkerma, ved hjelp av overgangsfaktorer som er funnet ved Monte-Carlo-simuleringer (Dance et al, 1990, 2000, 2009)
Lavest mulig MGD ved mål-sdnr Hoved-idé: Vi bestemmer en viss mål-sdnr som vurderes å gi tilstrekkelig bildekvalitet Den optimale strålekvaliteten (anode-filter-kv) er den som gir mål-sdnr med lavest mulige MGD
Vi bruker en bestemt relasjon for MGD og SDNR: SDNR k( MGD) n (1) Relasjonen er en approksimasjon som vi underbygger empirisk med våre måledata Relasjonen er teoretisk fundert
Vi eksponerer fantomer med en rekke forskjellige anode-filter-kvkombinasjoner, og måler MGD og SDNR Ved interpolasjon med relasjonen (1) bestemmer vi den MGD som er nødvendig for å oppnå mål-sdnr for hvert anode-filterkv-valg Vi får MGD ved mål-sdnr for alle strålekvalitetene, og kan sortere dem etter hvilken som gir laveste MGD For hver tykkelse finner vi slik den optimale strålekvaliteten
Matematiske relasjoner og dataanalyse Fra støy-splitting til interpolert MGD
noise power spectrum forenkling/approksimasjon p k 2 e k 2 q p k 2 s p 2 (2) approksimasjon p p k t p n (3) SDNR k( MGD) n (1)
Relasjonen p k 2 e k 2 q p k 2 s p 2 Antagelser: Pikselverdi lineær med detektordose Tre støy-komponenter: elektronisk, kvante, og strukturell (støy generert av strukturer med fast geometri i systemet) Elektronisk støy er uavhengig av detektordose og altså uavhengig av pikselverdi (derfor er k_e konstantledd) Kvantestøy (k_q-ledd) og strukturell støy (k_s-ledd) avhenger av detektordose på forskjellig måte som gitt i relasjonen Dette gjør det mulig å skille de tre støy-komponentene med regresjon (kurvetilpasning)
Man forventer at kvante-støy er den dominerende støykomponenten, noe annet indikerer problemer med systemet Denne splittingen i tre støykomponenter er foreslått som testmetode i EUREFs nye forslag til protokoll
Dataanalyse, automatisering Problem: regresjon og interpolasjon med relasjonen SDNR k( MGD) n Vi finner en eksakt løsning for regresjonsproblemet (logaritmisk transformasjon av dataene reduserer til lineært problem) Dermed får vi enkle, eksakte uttrykk for parameteren k, for interpolert MGD ved mål-sdnr, og for usikkerhetene Enkelt Java-program som automatiserer dataanalysen Programvare som lokaliserer aluminiumsobjekt automatisk, automatiserer ROI-setting og ROI-utlesning Programvare som leser ut eksponeringsparametre fra DICOM-header
Usikkerhetsanalyse I usikkerhetsanalysen inngår usikkerhet i piksel-støy-regresjon regresjonsparameteren n SDNR systemets angitte mas målt luftkerma (ionekammer) overgangsfaktorer for MGD forplantning av usikkerhet gjennom regresjon og interpolasjon med n relasjonen SDNR k( MGD) regresjonsparameteren k interpolert MGD ved mål-sdnr
Hvordan bestemme mål-sdnr?
SDNR er ikke et absolutt mål, men avhenger av det aktuelle systemets egenskaper, feks. av detektorelementstørrelse Hva som er riktig mål-sdnr vil derfor variere fra system til system To mulige strategier for optimalisering: 1. Offensiv: Mål-SDNR bestemmes med kontrastdeltalj-fantomet CDMAM 2. Konservativ: Mål-SDNR settes til systemets nåværende SDNR, vi søker kun å minimalisere MGD
Eksempel på resultater
Er lavest mulig MGD ved mål-sdnr en god metode for optimalisering?
Fordeler og mulige svakheter Fordeler: Vi har nå en metode som er klar til bruk, vi vet hvordan vi utfører den Metoden er enkel å gjennomføre
Mulige svakheter: Det er vanskelig/krevende å knytte fysiske bildekvalitetsmål til klinisk relevans SDNR tar ikke hensyn til anatomisk bakgrunnsstøy, som kan ha stor betydning Avhengig av at Monte Carlo-modellen for MGD gir innbyrdes sammenlignbare doseverdier for et bredt utvalg av kvinner (innbyrdes sammenlignbarhet mellom forskjellige strålekvaliteter anvendt på samme bryst) Hvordan velge mål-sdnr? Den offensive strategien er avhengig av CDMAM, ikke konsensus om CDMAM som et mål på bildekvalitet
Momenter Underliggende forutsetninger for denne metoden: at valget av strålekvalitet primært påvirker kontrast og støy i bildet og dose til pasient at det er SDNR som bør optimaliseres, herunder: at signalforskjellen generert av 0,2 mm aluminium er representativt for de klinisk viktige vevstypene i brystet at SDNR er et relevant mål for synligheten av disse vevstypene at systemets MTF ikke påvirkes av endring av strålekvalitet
SDNR beregnes med et svært forenklet støy-mål. En mer komplett analyse ville involvere noise power spectrum og anatomisk bakgrunnsstøy
Deteksjon av carcinom i form av en masse avhenger trolig primært av form, utseende og posisjon heller enn at massen har andre attenuasjonsegenskaper enn omkringliggende normalt kjertelvev, ifølge Johns and Yaffe Synligheten av carcinomer uten mikrokalk begrenses sannsynligvis ikke av kvantestøy, men heller av anatomisk bakgrunnsstøy, ifølge Johns and Yaffe Eksponeringsparametre har liten effekt på deteksjonsytelsen for lesjoner større enn 0,8 mm, mens kvantestøy påvirker synligheten av mindre lesjoner, ifølge Huda et al Dette peker i retning av at vår metode for optimalisering mhp SDNR er viktig for deteksjon av små mikrokalk og spiculer, men muligens har liten betydning for deteksjon av storskala kjennetegn for masser (større enn ca. 1 mm)
Mulige svar Mulighet: Vevsfantom med innmonterte simulerte mikrokalk, spiculer, lesjoner Mulighet: Evaluering av kliniske bilder før og etter optimalisering (visual grading) Todelt fremgangsmåte: 1. Bruk fysisk-tekniske parametre til å optimalisere 2. Evaluer effekten av optimalisering på kliniske bilder Optimam-prosjektet
Oppsummering Optimalisering mhp. SDNR og MGD Finner den strålekvaliteten som gir lavest mulig MGD ved mål- SDNR n Regresjon og interpolasjon med SDNR k( MGD) Automatisering av dataanalyse Offensiv strategi anvendt på mammo-lab gir anbefalt økning av SDNR og MGD Konservativ strategi anvendt på mammo-lab gir en viss reduksjon i MGD Spørsmålet om metoden er relevant og korrekt er ikke fullstendig avklart Mulig neste steg: evaluering av kliniske bilder