Nörogörüntülemede Mühendislerin Rolü

Nörogörüntüleme sinirbilim ve diğer pek çok alanın aktif olarak araştırma ve tanı koyma süreçlerinde kullandığı bir yöntem. Bu yöntem aslında mühendislik ile de oldukça yakından ilişkili ve bilimin ihtiyaç duyduğu yönde gelişmeye devam etmekte.

Diğer görüntüleme yöntemlerinde olduğu gibi beyin görüntülemede de görüntü analizi, uygun sekans seçimi, veri analizi, görüntü iyileştirme çalışmaları, cihaz ve teknik geliştirme, kalibrasyon ve benzeri görüntü öncesi ve sonrası işlemlerde medikal fizikçiler ya da mühendisler (özellikle Biyomedikal ve Elektrik-Elektronik Mühendisleri) etkin rol almaktadır. fMRI gibi görüntüleme yöntemleri için model tasarımı gibi işlemleri belirli programlar üzerinden mühendisler yapar.

Görüntüleme cihazının teknik ayarlamaları; koilin (sargının) kanal sayısından, cihaz tasarımına, (MRI için) gantry’nin (giriş açıklığı) dönüş hızından, masa hareketine, gücünün kaç Tesla olacağından, sekansların sürelerine kadar tüm donanım ya da yazılımsal ayarlamalar da mühendislerin işidir. Kısacası mühendislerin görüntülemeye katkıları ilk bakışta aklımıza gelenlerden çok daha fazladır.

Fakat nörogörüntülemede mühendisin en önemli rolü, görüntünün en uygun şekilde alınmasını sağlamak ve alınan görüntüyü irdeleyerek teşhis konusunda hekime yardımcı olmaktır. Yani işin analiz kısmıdır.

Nörogörüntüleme için tercih edilen yöntemler ana başlıkları ile;
– Elektroensefalografi (EEG) ve Magnetoensefalografi (MEG)
– Transkranyal Manyetik Stimulasyon (TMS)
– Optik yöntemler; Near Infra Red Spektroskopi (NIRS) – Pozitron Emisyon Tomografisi (PET)
– İşlevsel Manyetik Rezonans Görüntüleme (fMRI)
– Lezyon Görüntüleme (BT, MRI)
şeklinde sıralanabilir.

Bunların arasında yumuşak doku görüntülemelerde Manyetik Rezonans Görüntüleme (MR) tekniğinin diğerlerinden üstün olma durumu, beyin görüntüleme için de daha çok tercih edilmesine sebep oluyor. Dolayısıyla mühendislerin de üzerinde en çok çalıştıkları görüntüler, MRI görüntüleridir.

Görüntülenmek istenen alana ya da lezyona göre Difüzyon Ağırlıklı Görüntüleme (DAG) (suyun Brownian Hareketinden faydalanılan görüntüleme yöntemi), Difüzyon Tensör Görüntüleme (DTG) (suyun difüzyonunun kısıtlanan yönelimi), fMRI (fonksiyonel Manyetik Rezonans Görüntüleme) gibi görüntüleme yöntemleri ile çözünürlüğü daha yüksek, daha kaliteli görüntüler elde edilebilmektedir.

Mühendis çoğunlukla çekimi tamamlanmış görüntüler üzerinde çalışsa da (fMRI hariç), teknik olarak görüntünün ne şekilde alınmasının daha sağlıklı olacağı konusunda hekime vereceği geribildirimler sayesinde görüntü alımı (çekimi) için de faydalı destekler sağlayabilir.

En sık adını duyduğumuz cihazlardan biri olan MR, vücuda gönderilen radyofrekans dalgalarının, hidrojen atomlarının gönderilen dalga yönünde paralel ya da antiparalel dizilme sürelerinden görüntü elde edilmesi prensibiyle çalışır. Farklı yoğunluklarda farklı frekanslar ve dolayısıyla farklı tonlamalar ile görüntü elde edilmesi söz konusudur.

MR’da hastanın sabit durmaması, MR koilinin tam yerleşmemiş olması gibi faktörler gürültüye (hataya) sebep olur. Bir mühendis için alınan görüntü, ne kadar az gürültülü ve fazla sayıda sekans ile alınmış ise analizinden elde edilecek sonuçlar o kadar başarılıdır.

Sekans hangi dokudan gelen sinyallerin ne derece hesaba katılacağının ayarlanmasıdır. Örneğin T1 sekansında sudan gelen sinyalleri ‘’0’’ kabul ederek sıvılar baskılanır, bu da T2 sekansını ön plana çıkarır (parlatır).

İşte tüm bu sekans ayarlamalarının geliştirilmesi mühendislerin işidir. Seçilen sekansın uygunluğu mühendisin işini kolaylaştırır ve başlangıç için güzel bir görüntü sağlar. Fakat, özellikle lezyon görüntülemede yeterli sayılmaz. Alternatif MR yöntemlerinden biri olan Difüzyon Ağırlıklı Görüntüleme (DAG) analizinde Görünür Difüzyon Katsayısı (GDK) hesaplamaları için ‘b değeri’ denilen değerin seçimi çok önemlidir. b değerinin fazla ya da az olmasının görüntüye etkisi farklıdır. Uygun b değeri ile alınmış görüntülerin analizi mühendise ve hekime en verimli sonuçları verecektir. Yine buradaki seçimin belirlenmesini, yaptığı istatistiksel ya da algoritmik hesaplamalarla mühendis yapar.

Anlaşılacağı üzere nörogörüntüleme süreçlerinde görüntünün iyileştirilmesi ve analizinde mühendislere büyük rol düşüyor. Dolayısıyla bir mühendis için, çekim ne kadar iyi gerçekleştirilirse analizinden elde edilecek sonuçlar da o kadar başarılı olacaktır.

Beyin görüntüsü nasıl analiz edilir?

Beyinden alınan görüntüyü önce uygun formata (BMP,GIF,JPEG/JPG,TIFF,PNG,PSD vs) dönüştürür ve bir program (veya toolbox) kullanarak elde ettiği sayısal veri üzerinde işlem, yani görüntü işleme* yapar.

Görüntünün kusurlardan (artefakt, gürültü vs) arındırılması (Denoising, Filtering, vb), görüntünün netleştirilmesi (Deblurring), iyileştirilmesi (Enhancement) gibi uygulamalarla görüntü kalitesini artırmaya çalışır.

Beyinden elde edilen görüntü, görüntü işlemenin birincil adımı olarak Uzaysal Frekans Kodlama yani Fourier Dönüşümü ile farklı frekanslarda sinüs ve kosinüslerine (spektrum) ayrılır. Yani uzay ortamındaki sinyal, frekans ortamına dönüştürülür. Böylelikle görüntüyü gürültüden temizleyebilmek için filtreleme yapılabilir veya diğer adımlar gerçekleştirilebilir. Görüntünün genlik ve faz bilgisine sahipsek iyileştirdiğimiz görüntüyü ters Fourier Dönüşümü ile tekrar eski haline getirebiliriz.

Bunlar sayesinde mühendis, üzerinde çalışacağı görüntüyü sayısallaştırıp –görüntü matrisi– üzerinde çalışıp, onu tekrar görüntüye dönüştürür. Böylece hekim bir doku, lezyon ya da tümörü daha net ve detaylı bir şekilde görüp hakkında daha doğru kanıya varabilir.

Mühendisliğin görüntüleme teknolojilerine, dolayısıyla da sinirbilime katkıları inkâr edilemez düzeyde ve oldukça detaylı. Tüm bunlar, bilim adına birlikte çalışmanın ve alanlar arası işbirliğinin önemini vurguluyor.*Görüntü işleme: Sensörlerden gelen 2 boyutlu ya da 3 boyutlu görüntünün piksel ya da voksel bazında sayısallaştırılarak bilgisayara aktarılıp üzerinde işlemler yapılması.

Yazan: Gülçiçek Dere
Düzenleyen: Eris İnal

NöroBlog’u Patreon üzerinden desteklemek için: patreon.com/NoroBlog

Anasayfamızdan daha fazla sinirbilim yazısına ulaşabilir, podcast ve videolarımıza erişebilirsiniz.

Kaynaklar ve ileri okuma:

[1] Karl Heinz Höhne, Bernhard Pflesser, ‘’A new representation of knowledge concerning human anatomy and function’’, Nature Medicine, 1995
[2] Russell A. Poldrack, Handbook of Functional MRI Data Analysis, ISBN-13: 978-0521517669
[3] Rafael C. Gonzalez, Digital Image Processing 3 rd Edition, Pearson Education International, 2014

Görsel Freepik.com