Abstract
Goal: We demonstrate a novel and robust approach for visualization of upper airway dynamics and detection of obstructive events from dynamic 3-D magnetic resonance imaging (MRI) scans of the pharyngeal airway. Methods: This approach uses 3-D region growing, where the operator selects a region of interest that includes the pharyngeal airway, places two seeds in the patent airway, and determines a threshold for the first frame. Results: This approach required 5 s/frame of CPU time compared to 10 min/frame of operator time for manual segmentation. It compared well with manual segmentation, resulting in Dice Coefficients of 0.84 to 0.94, whereas the Dice Coefficients for two manual segmentations by the same observer were 0.89 to 0.97. It was also able to automatically detect 83% of collapse events. Conclusion: Use of this simple semiautomated segmentation approach improves the workflow of novel dynamic MRI studies of the pharyngeal airway and enables visualization and detection of obstructive events. Significance: Obstructive sleep apnea (OSA) is a significant public health issue affecting 4-9% of adults and 2% of children. Recently, 3-D dynamic MRI of the upper airway has been demonstrated during natural sleep, with sufficient spatiotemporal resolution to noninvasively study patterns of airway obstruction in young adults with OSA. This study makes it practical to analyze these long scans and visualize important factors in an MRI sleep study, such as the time, site, and extent of airway collapse
چکیده
هدف: ما یک رویکرد جدید و نیرومند را برای مشاهده و تجسم دینامیک مسیرهای بالایی جریان هوا و نیز آشکارسازی پیشامدهای مسدودکننده مسیرهای هوای حلق از روی اسکن های تصویربرداری تشدید مغناطیسی (MRI) سه بعدی دینامیک ارائه می دهیم. روش ها: این روش از رشد سه بعدی ناحیه استفاده می کند که در آن، اپراتور ناحیه موردنظر را که شامل مسیر هوایی گلو می شود، انتخاب می کند، دو دانه (seed) را در راه هوایی بیمار قرار می دهد و سپس آستانه ای را برای اولین فریم تعیین می کند. نتایج: این رویکرد نیازمند زمان CPU ی 5 ثانیه در هر فریم است در مقایسه با 10 دقیقه در هر فریم که زمان لازم برای بخش بندی دستی اپراتور است. همچنین این مقدار بخوبی قابل مقایسه با بخش بندی دستی است که به ضرایب دایس (Dice) 0.84 تا 0.94 می انجامد، در حالی که تغییرپذیری نظر یک ناظر در بخش بندی دستی برابر 0.89 تا 0.97 بود و نیز قادر به آشکارسازی خودکار 83% از پیشامدهای رمبش (collapse) بود. نتیجه گیری: استفاده از این روش بخش بندی نیمه خودکار ساده، گردش کار مطالعات جدید MRI دینامیک مسیرهای هوای حلق را بهبود داده و مشاهده و آشکارسازی پیشامدهای انسدادی را ممکن می سازد. اهمیت: آپنه انسدادی خواب یک مشکل سلامتی مهم رایج است که 4-9% بزرگسالان و 2% کودکان را تحت تاثیر قرار می دهد. اخیرا MRI دینامیک سه بعدی از راه های هوایی بالایی در طی خواب طبیعی به اثبات رسیده اند و رزولوشن زمانی-مکانی کافی برای مطالعه غیرتهاجمی الگوهای اسنداد مسیر هوایی در بزرگسالان جوان مبتلا به OSA دارند. این کار، آنالیز این اسکن های طولانی و مشاهده فاکتورهای مهم در یک مطالعه MRI در حین خواب نظیر زمان، محل و حد رمبش مسیر هوایی را ممکن می سازد.
-1مقدمه
سندرم آپنه انسدادی خواب (OSA) یک نارسایی تنفسی رایج است که در آن به دلیل رمبش فیزیکی مسیرهوای حلق، جریان هوا در طی خواب مسدود می شود (1). این مشکل تقریبا 4-9% بزرگسالان و 2% کودکان در ایالات متحده را مبتلا می سازد (2و3). بخصوص OSA در 13-66% کودکان چاق گزارش شده است (4). OSA به کاهش بهره وری، تصادفات و افزایش ریسک بیماری عروق قلبی مرتبط است (5). بطور گسترده مشخص شده است که تعیین محل دقیق انسداد می تواند به نفع برنامه ریزی درمان و نتیجه درمان بیمار باشد (6).
استاندارد طلایی حاضر برای تشخیص OSA پلی سونوگرافی در طول شب است (PSG) است. PSG شامل دیده بانی و ثبت پیوسته چند سیگنال فیزیولوژیکی است که نشان دهنده خواب و تنفس برای مدت حدود 7 تا 8 ساعت است. مهمترین خروجی PSG نیمه شب، شاخص آپنه-هایپوپنه (AHI) است (میانگین تعداد وقوع انسداد کامل یا جزئی که در هر ساعت از خواب رخ می دهد). همچنین PSG به توضیح تاثیر این پیشامدها بر روند خواب و تبادل گاز کمک می کند. PSG نیمه شب نیازمند تفسیر یک متخصص ماهر خواب برای علامت گذاری بصری است؛ در مقابل، دقت علامت گذاری کامپیوتری به اثبات نرسیده است…