Improved Imaging and Quantitative Identification of acoustic tissue properties with dual band ultrasound pulse complexes

Karakterisering av vev handler om å skille ulike vevstyper basert på en eller annen egenskap som vevet innehar. Innen medisin har ofte sykt og friskt vev ulike fysiske egenskaper. Dermed vil man kunne både diagnostisere og overvåke sykdommer dersom man kan måle disse egenskapene. Innen husdyrproduksjon til kjøtt, er den riktige sammensetningen av fett- og muskelvev viktig for smaksopplevelsen. Ved å skille fett- og muskelvev, samt å kunne måle dette nøyaktig, vil man kunne møte markedets forventninger til en god spiseopplevelse av kjøtt. I begge disse eksemplene er det et sterkt behov for å kunne gjøre slike målinger in vivo og ikke-invasivt. Innen medisin gjøres invasive målinger typisk ved biopsi. Slike prøver forårsaker ofte ubehag, smerte og i noen tilfeller, skade. I tillegg kan målingene være upresise, ettersom det kan være vanskelig å ta prøve på riktig sted. Dette kan føre til feil diagnostisering som vil være en stor påkjenning for pasienten. I kjøttindustrien er dyrevelferden viktig og dyrene skal ikke utsettes for unødvendig ubehag. Kjøttkvalitet kan dermed ikke kan måles in vivo, men etter at dyret er slaktet; post mortem. Konsekvensen er at den genetiske framgangen blir redusert, ettersom man må beslutte om genene til et dyr skal føres videre basert på målt kjøttkvalitet hos søsknene. Det er tre typiske avbildningsmetoder som brukes for ikke-invasiv bildedannelse: ultralyd (US), røntgen computertomografi (CT) og magnetresonanstomografi (MR). Av disse tre er ultralyd den billigste og mest portable metoden. Ulempen ved ultralyd er at det er mange potensielle støykilder som kan være ødeleggende for det resulterende bildet. Denne støyen representerer ofte ikke den underliggende anatomien og gjør at ultralyd, sammenlignet med de andre metodene, har den dårligste bildekvaliteten. Gjennom de siste årene har medisinsk bildeanalyse gjennomgått en revolusjon. Den økende populariteten til kunstig intelligens og maskinlæring har gjort at disse metodene brukes mer og mer i automatisk bildeanalyse. Dyp læring, en gren av maskinlæring, har vist seg å være spesielt suksessrik, da disse metodene kan gjenkjenne komplekse mønstre i bilder. Disse metodene lærer seg selv hvordan bilder skal tolkes ved å trene på data der fasiten er kjent. For at disse metodene skal bli robuste, kreves dermed store mengder data. I tillegg må det eksistere en sammenheng mellom dataene og fasiten som er observerbar. Som konsekvens blir også kvaliteten på dataen viktig. I dette arbeidet undersøkes potensialet for bruk av dyp læring for karakterisering av vev, og ved hvilket punkt disse metodene begrenses av datagrunnlaget. Vi observerer at dyp læring fungerer godt i CT, hvor bilde -og datakvaliteten er høy. Dette lar oss lage en robust metode for automatisk beskrivelse av CT volumdata ved bruk av dyp læring. En tilsvarende metode blir også forsøkt på ultralydbilder. Målet er å bestemme fettinnhold fra ultralydbilder og resultatene er konkurrerende med gullstandardmetoder. Likevel observeres det i denne applikasjonen en øvre grense hvor disse metodene ikke lenger fungerer. For å unngå denne grensen er det et behov for andre ultralydavbildningsmetoder slik at datakvaliteten økes. Konvensjonell ultralyd måler en spesifikk akustisk egenskap hos materialer. Ettersom denne har vist seg å være begrenset er det et behov for å undersøke muligheten for å måle andre egenskaper ved bruk av ultralyd. Materialets ulineære oppførsel viser seg å være en akustisk parameter med stor variasjon for bløte vev, og spesielt sensitiv til fettinnhold. Det vises at denne parameteren kan måles ved bruk av en ny ultralydmetode som baserer seg på å sende ut to lydbølger, med forskjellige frekvenser, samtidig. Dataene fra denne metoden, sammenlignet med konvensjonell ultralyd, har mer informasjon og potensielt høyere kvalitet. Dette indikerer at metoden kan forbedres ytterligere ved bruk av dyp læring. Metoden vil dermed kunne bidra til å oppnå robust vevskarakterisering ved bruk av ultralyd.

-

Ultralyd hastighet, forplantning og spredning bestemmes av volum kompressibiliteten til vevet. Denne er dominert av vannet i vevet, slik at ultralyd hastigheten c ? 1500 m/s, nær den samme som i vann. I tillegg har en i bløtt vev skjærbølger, også kalt deformasjons bølger, som ikke skaper volum kompresjon. Disse har lav bølgehastighet ~ 1 - 10 m/s som varierer sterkt med struktur av store molekyler i vevet. Skjærbølgehastigheten er derfor nyttig til å differensiere mellom ulike typer vev, spesielt evaluere vevstyper som angitt i hovedmålet. Ved SURF imaging undertrykkes multiple støy i bildet sterkt, og en er i stand til å skille mellom lineær og ulineær spredning. I tillegg estimerer man en ulineær elastisitets parameter som kan benyttes til å skille vevstyper, hvor for muskelvev og for animalsk fett. For flerumettede fettsyrer forventes denne parameteren å være større, og man forventer en glidende overgang mellom fett og muskelverdier avhengig av volumprosenten av fett i muskelen. Redusert støy i bildene forbedrer også bestemmelsen av skjærbølge-stivhet i vevet, slik at man har mulighet for å trekke ut to kvantitative parametre som avhenger av detaljer i vevsstrukturen. Ut fra forskningen ved ISB er det med hjelp fra NTNU-TTO etablert et nytt firma, SURF Technology AS. Firmae har hatt støtte fra NFR-FORNY2020 for å utvikle et demonstrator instrument for SURF imaging. Man planlegger å bygge flere instrumenter utover i 2016. Det gjenstår flere interessante utfordringer innen signalbehandling, spesielt kvanttativ estimering av samt skjærbølge stivhet. Det kan også være behov for nye design av to-frekvensprober for de spesielle anvendelsene for dyr og fisk. Nye metoder implementeres som SW med beskjedne HW endringer i scanneren. PhD prosjektet består derfor av teoretisk utvikling av metodene med SW implementering i scanner, samt utprøvning av nye metoder i laboratorium og i dyr. Prosjektet har delmål som angitt i neste kapittel.