Nya rön kring volymbestämning av överaktiv sköldkörtel

Jakob Heydorn Lagerlöf är forskningsledare och sjukhusfysiker på Centralsjukhuset i Karlstad. Han är en av författarna till en nyligen publicerad artikel där två olika modeller för volymsbestämning av överaktiv sköldkörtel studerats.
– Båda modellerna presterar väl när det gäller att lösa uppgiften och skulle ge en bra och konsekvent volymsbestämning. Den mer avancerade modellen är något mer exakt, men å andra sidan mer utmanande att implementera i kliniken, säger Jakob Heydorn Lagerlöf.

Bakgrund

Vid behandling av överaktiv sköldkörtel med radioaktivt jod börjar man med att ta en bild på sköldkörteln, för att uppskatta den aktiva volymen (den del av körteln som tar till sig jod och därför svarar på behandlingen). Detta gör man för att bedöma om patienten lämpar sig för denna behandling och för att i så fall bestämma mängden radioaktivitet som behövs. Att avbilda sköldkörteln med magnetkamera vore inget problem, men eftersom det är den funktionella volymen man vill åt använder man gammakameran på nuklearmedicin. Den har ganska låg upplösning och på de suddiga tvådimensionella bilder som man ofta använder blir det svårt att bestämma var området slutar. Dessutom är det svårt att uppskatta en volym ur en sådan “platt” bild. Man kan också ta tredimensionella bilder (SPECT). De ger lite bättre förutsättningar, men i Sverige finns ingen gemensam metod för att avgränsa (segmentera) det intressanta området, utan alla sjukhus gör olika och skillnaderna är stora.

Metod

I den här studien har vi utgått från sköldkörtelmodeller av trolldeg, med känd volym, som vi matematiskt har fyllt med olika mängd och fördelning av radioaktivitet och därefter simulerat bildtagning med så kallad Monte Carlo-teknik. På så vis har vi skapat ett antal naturtrogna SPECT-bilder. Därefter har vi jämfört två lämpliga metoder för att segmentera ut den aktiva volymen, nämligen Otsu’s trösklingsmetod och en iterativ konvulering-trösklingstillämpning på Chan-Veses active contours without edges. Den första metoden delar in bilden i objekt och bakgrund baserad på deras innehåll (voxelvärden, en voxel är en tredimensionell pixel) och försöker skapa två så homogena grupper som möjligt. Den är självgående, väldigt robust och inte särskild matematiskt avancerad. Den andra metoden, som är mer komplicerad och kräver lite mer input av användaren, går ut på att minimera en viktad summa av den totala summan av kvadrerad voxelvis avvikelse från medelvärdet av objekt respektive bakgrund. Dessutom innehåller metoden en komponent som ger objektet en jämnare yta. Metoderna prestanda utvärderas med hjälp av Dice Similarity Coefficient (DSC), som är ett mått på det spatiella överlappet mellan modellen och objektet, medelvärde av absolut avvikelse samt medelvärde av volym relativt den sanna volymen.

Resultat

Båda metoderna lyckas segmentera bilderna på ett bra sätt och avviker likartat från den sanna volymen. Typiska avvikelser är i storleksordningen 10 %, vilket är bra i dessa sammanhang. De tenderar att överskatta små volymer och underskatta stora volymer en aning. De påverkas också ungefär lika mycket av variationer av bakgrundsaktivitet. Dock avviker Chan-Vese något mindre än Otsu och vid ett t-test av modellernas DSC gick det att påvisa en signifikant (p<0,01) skillnad mellan modellerna till fördel för Chan-Vese.