Jakie znaczenie ma analiza fotoakustyczna w diagnostyce osteoporozy?

Technologia obrazowania fotoakustycznego (PA) rozwija się w tempie, które pozwala na coraz dokładniejszą ocenę struktury i składu chemicznego kości, a także na identyfikację zmian związanych z osteoporozą i innymi schorzeniami kostnymi. Jednym z kluczowych parametrów wykorzystywanych w tej metodzie jest normalizowany współczynnik rozpraszania, który wykazuje wysoką korelację z zawartością kolagenu i frakcją objętościową kości. Zastosowanie tej technologii umożliwia uzyskanie informacji na temat składu chemicznego i mechanicznych właściwości kości, co ma szczególne znaczenie w diagnostyce i leczeniu osteoporozy.

Przykładem takiego podejścia jest system łączący PA z ultradźwiękami (US) opracowany przez Steinberga i współpracowników, który dostarcza nie tylko danych o składzie chemicznym kości, ale także o jej wytrzymałości mechanicznej, analizując amplitudę i fazę sygnałów PA o różnych częstotliwościach i długościach fal. Technologia ta wykorzystuje zdolność głębokiej penetracji światła w strukturach wapniowych i niewapniowych, co sprawia, że jest niezwykle obiecująca w diagnostyce klinicznej osteoporozy i innych chorób kości.

Pomimo ogromnego potencjału technologii PA w ocenie stanu kości, istnieją pewne wyzwania związane z jej stosowaniem, wynikające z charakterystyki strukturalnej kości gąbczastej, która jest materiałem porowatym. Ta złożona struktura powoduje zakłócenia sygnału PA zarówno w domenie przestrzennej, jak i częstotliwościowej, co utrudnia dokładną analizę mikroskalową kości. Aby rozwiązać ten problem, zaproponowano system detekcji różnicowej ekscytacji, który pozwala na uzyskanie widma tłumienia sygnału PA (PA-DAS), umożliwiającego kwantyfikację porowatości kości i jej mikrostruktury.

W analizie czasowo-częstotliwościowej sygnałów PA, łącząc różne wymiary analizy (czas, częstotliwość, długość fali lasera, liczba ultradźwięków), można uzyskać zaawansowane parametry charakteryzujące zdrowie kości. Wykorzystanie analizy PA w dwóch lub więcej wymiarach pozwala na dokładniejsze określenie zawartości różnych składników chemicznych oraz struktury beleczek kostnych i grup szpiku kostnego. To podejście znajduje zastosowanie w badaniach nad kośćmi gąbczastymi, w tym w eksperymentach z wykorzystaniem modeli szczurzych kości o różnych wartościach BMD.

Opracowane metody czasowo-częstotliwościowej analizy sygnałów PA, takie jak metoda zaproponowana przez Xie et al., pozwalają na jednoczesną ocenę kilku parametrów kości, takich jak zawartość chemicznych składników, wielkość beleczek kostnych, zawartość szpiku oraz BMD. Dzięki połączeniu wyników tej analizy z algorytmami uczenia maszynowego, możliwe staje się jeszcze dokładniejsze przewidywanie stanu zdrowia kości i wykrywanie wczesnych objawów osteoporozy.

Analiza PA z wykorzystaniem różnych długości fal świetlnych oraz odpowiednich metod kwantyfikacji pozwala na uzyskanie bardziej szczegółowych informacji o składzie chemicznym kości, w tym zawartości lipidów, kolagenu czy składników mineralnych. Wykorzystanie spektroskopii fotoakustycznej (PCS) do oceny mikroskalowej struktury i zawartości biomarkerów w kości stanowi krok naprzód w diagnostyce osteoporozy. Badania wykazały wysoką korelację parametrów PA z wynikami uzyskanymi za pomocą tradycyjnych metod obrazowania, takich jak DEXA, mikro-CT czy MRI, co podkreśla potencjał PA w ocenie stanu kości.

Dodatkowo, PA pozwala na analizę fal prowadzących, które przypominają falę ultradźwiękową, ale w tym przypadku mają zdolność badania struktury i właściwości mechanicznych kości. W tym kontekście badania nad falami prowadzącymi w PA dają nowe możliwości oceny struktury i elastyczności kości korowej, które mogą być szczególnie cenne w diagnostyce osteoporozy i innych schorzeń kostnych. Analiza sygnałów fotoakustycznych może pomóc w wykryciu zmian w strukturze kości, które mogą być niewidoczne w tradycyjnych badaniach obrazowych.

Na podstawie przedstawionych metod, wykorzystujących różne aspekty analizy PA, w tym czasowo-częstotliwościowe badanie sygnałów, widma tłumienia czy spektroskopię fizykochemiczną, możliwe jest stworzenie dokładnego i kompleksowego obrazu stanu zdrowia kości. Technologia PA, dzięki swojej zdolności do penetracji tkanek oraz minimalnej inwazyjności, stanowi obiecującą metodę diagnostyczną, która ma potencjał do zastąpienia lub uzupełnienia tradycyjnych metod oceny osteoporozy i innych chorób kości.

Jakie są wyzwania w rozwiązywaniu problemu odwrotnego dla tomografii fotoakustycznej?

W procesie obrazowania fotoakustycznego (PAT) istnieją dwa zasadnicze problemy odwrotne, które muszą zostać rozwiązane w celu uzyskania ilościowych parametrów optycznych. Pierwszy problem dotyczy odtwarzania obrazów akustycznych, zaś drugi – odzyskiwania parametrów optycznych z uzyskanych obrazów fotoakustycznych. Ten drugi, bardziej złożony problem, wiąże się z wyzwaniami dotyczącymi propagacji światła w tkankach oraz niejednoznaczności wynikających z ograniczonej ilości informacji uzyskanych z jednego oświetlenia.

Jednym z głównych celów w tomografii fotoakustycznej jest szacowanie stężeń chromoforów. W tym celu, współczynnik absorpcji może być wyrażony jako kombinacja liniowa stężeń poszczególnych chromoforów. Aby uzyskać te wartości, stosuje się różne metody, począwszy od bezpośredniego estymowania stężeń chromoforów z serii czasowych fotoakustycznych przy użyciu różnych długości fal świetlnych, aż po obliczenie ich na podstawie odzyskanych współczynników absorpcji przy różnych długościach fal.

Kluczową trudnością w tym procesie jest fakt, że estymacja parametrów optycznych, takich jak współczynniki absorpcji i rozpraszania, jest problemem niejednoznacznym, zwłaszcza gdy używa się tylko jednego oświetlenia optycznego. Aby rozwiązać ten problem, często przyjmuje się, że współczynnik rozpraszania jest znany, jednak w rzeczywistości w zastosowaniach praktycznych nie jest to często prawdą. Wykazano, że niejednoznaczność może zostać przezwyciężona poprzez użycie kilku różnych oświetleń optycznych. Alternatywnie, łącząc dane fotoakustyczne z danymi z tomografii optycznej rozproszonej (DOT), można uzyskać bardziej precyzyjne wyniki.

Warto zwrócić uwagę, że nie tylko modelowanie propagacji światła, ale także efektywność fotoakustyczna, która jest identyfikowana przez parametr Grüneisena, jest istotnym elementem w tym procesie. Dlatego też każde podejście do rozwiązania odwrotnego problemu optycznego wymaga uwzględnienia tych dodatkowych czynników.

Do klasycznych metod rozwiązania odwrotnego problemu optycznego należy wykorzystanie poprawek fluencji fotonów. Zaletą tych metod jest ich prostota, ale wadą to, że zarówno absorpcja, jak i rozpraszanie wpływają na fluencję fotonów, co może prowadzić do błędów modelowania, jeśli te wartości przyjmuje się jako predefiniowane. Inną opcją są modele liniowe, które pozwalają na jednoczesne szacowanie absorpcji i rozpraszania, a także podejścia bayesowskie, które uwzględniają wprowadzenie kwantyfikowalnych modeli prior oraz modelowanie szumów i niepewności.

W ostatnich latach pojawiły się także podejścia oparte na uczeniu maszynowym. Przykładem jest podejście, w którym sieć neuronowa jest trenowana na rekonstruowanych danych akustycznych, a jej celem jest bezpośrednia estymacja rozkładu współczynnika absorpcji. Co ciekawe, tego typu podejścia dają lepsze wyniki w porównaniu z klasycznymi metodami, szczególnie w kwestii generalizacji na nowych, nieznanych danych. Przykładem jest wykorzystanie sieci neuronowej do bezpośredniej estymacji map saturacji tlenem we krwi z rekonstruowanych obrazów akustycznych uzyskanych przy różnych długościach fal.

Innym rozwiązaniem jest metoda jednogo etapu, w której zarówno parametry akustyczne, jak i optyczne są odzyskiwane w jednym kroku. Takie podejście zostało zaproponowane z wykorzystaniem przybliżenia Born’a oraz w formie klasycznych regularyzacji Tikhonova, regularyzacji sparsity czy całkowitej wariacji. Również w tym przypadku wykorzystanie metod bayesowskich pozwala na uwzględnienie niepewności pomiaru i wcześniejszych modeli.

W praktyce, procesy modelowania danych fotoakustycznych napotykają na dodatkowe trudności związane z właściwościami systemu pomiarowego. Na przykład, pasmo przenoszenia i kierunkowość czujników akustycznych mogą wpływać na jakość sygnału fotoakustycznego. W związku z tym, kompleksowe modelowanie danych fotoakustycznych wymaga nie tylko uwzględnienia fenomenów optycznych i akustycznych, ale także specyficznych cech systemu pomiarowego, które mogą wprowadzać dodatkowe błędy i niepewności.