Combinatie van anatomische en spectrale informatie om MRSI resolutie en kwantificering te verbeteren

Multiple sclerose is een progressieve auto-immuunziekte die jonge volwassenen treft. Magnetische resonantie (MR) is een integraal onderdeel bij het toezicht op multiple sclerose ziekte. Conventionele MRI sequenties hebben een hoge resolutie en kunnen de aanwezigheid van focale witte stof hersenletsels bij multiple sclerose ziekte visualiseren. Manuele aflijningen van deze laesies op conventionele MR beelden is echter tijdrovend en lijdt aan intra- en inter-rater variabiliteit. Onder de geavanceerde MRI-technieken, kan MR spectroscopische beeldvorming aanvullende informatie geven over laesie karakterisering in vergelijking met conventionele MR-beelden. Maar MR spectroscopische beelden hebben een lage resolutie. Daarom is het doel van dit proefschrift om de segmentatie van multiple sclerose laesies op conventionele MR-beelden te automatiseren en de informatie van hoge-resolutie conventionele MR-beelden te gebruiken om de resolutie van MR spectroscopische beelden te verbeteren.

Automatische enkel tijdstip laesie segmentatie wordt uitgevoerd met behulp van T1-gewogen en FLAIR MR-beelden waarbij de hersenen worden gesegmenteerd in grijze stof, witte stof, cerebrospinale vloeistof en laesies met behulp van een probabilistisch model geoptimaliseerd door de verwachting-maximalisatie techniek. Vervolgens wordt een patch-gebaseerde superresolutie methode ontwikkeld die de resolutie van metaboliet beelden, berekend uit MR spectroscopische beeldvorming, verhogen. De patch-gebaseerde super-resolutie methode maakt gebruik van hoge resolutie T1-gewogen en FLAIR beelden samen met de hersensegmentatie om het super-resolutie proces te regulariseren. Tot slot, wordt de enkel tijdstip laesie segmentatie idee uitgebreid om twee tijdstippen laesie segmentatie te bekomen. De twee tijdstippen laesie segmentatie wordt uitgevoerd op basis van de T1-gewogen en FLAIR MR beelden van de twee tijdstippen, en het model wordt geoptimaliseerd met behulp van een gekoppeld verwachting-maximalisatie algoritme.

Validatie van laesie segmentatie methoden op klinische datasets laat zien dat ze accuraat en consistent zijn in het segmenteren van multiple sclerose laesies. Bovendien onderzoeken we de associatie van een klinische biomerker - de Expanded Disability Status Scale score - en een MRI biomerker - volume van nieuwe en groeiende laesies - en we zien dat in de meerderheid van de gevallen het volume van nieuw en groeiende letsels beter correleert met de evolutie van de Expanded Disability Status Scale score op patientniveau dan op groepsniveau. De studie heeft ook aangetoond dat onze methode toepasbaar is op datasets van verschillende centra, zonder calibratie. Dit maakt de methode aantrekkelijk voor klinisch gebruik. Validatie van de super-resolutie methode van synthetische en echte beelden toont aan dat onze methode weefselcontrast en structurele informatie behoudt, en past goed bij de trend van hoge-resolutie MR spectroscopische beelden. We analyseren N-acetyl aspartaat en myo-Inositol metabolieten concentratie in laesies en in de omliggende witte stof. N-acetyl aspartaat metaboliet concentratie laesies blijken lager te zijn dan de omringende witte stof, en een tegengestelde trend wordt waargenomen voor de myo-Inositol metaboliet concentratie.

Uit dit onderzoek kunnen we concluderen dat de ontwikkelde multiple sclerose laesie segmentatie methodes, door hun robuustheid en automatisering, een toegevoegde waarde kan betekenen voor de klinische routine evaluatie van multiple sclerose-patiënten. De patch-gebaseerde high-resolution MR spectroscopische beelden, door middel van het behoud weefselcontrast, kunnen ook bijdragen tot een beter karakterisering van laesies.