Algoritmy pro analýzu klinických MRI obrazů

Abstract

Magnetická resonance (MRI) hraje v současné době klíčovou roli při studiu mozkových onemocnění, jelikož umožňuje neinvazivně in-vivo popsat strukturální a funkční změny mozkové tkáně. S nástupem pokročilých MRI měření v běžné klinické praxi se zvýšila poptávka po spolehlivých nástrojích na zpracování a analýzu MRI dat. Tato práce se zabývá třemi úkoly při analýze klinických MRI mozku; 1) detekce léze cévní mozkové příhody (CMP), 2) hodnocení poškození hematoencefalické bariery (HEB) a 3) analýzou časových změn nervových traktů. Detekce léze CMP je zásadní krok při analýze funkčních vlastností mozku po CMP. Manuální označování léze (současný zlatý standard) je obtížný a časově náročný proces, který je navíc zatížen vysokou mírou subjektivity. Jedním z cílů této práce je vytvořit spolehlivý, objektivní, semi-automatický algoritmus schopný usnadnit manuální značení léze. Vyvinutý algoritmus byl testován na reálných datech a dosáhl 94% sensitivity a 70% přesnosti. Druhý vyvinutý algoritmus byl navržený pro detekci poškození HEB, které hraje důležitou roli v patofyziologii mozkových onemocnění. Navržený algoritmus byl použit v naší klinické studii, kde poskytl cenné informace o vztahu poškození HEB k dalším procesům probíhajícím v mozku po CMP.Třetí algoritmus vyvinutý v této práci slouží k sledování změn nervových traktů. Tyto změny ukazují procesy v mozku pod jiným úhlem než běžné klinické snímky, čímž poskytují cenné doplnění globálního pohledu na mozkové patologie. Vyvinutý algoritmus byl použit na reálných lidských MRI datech a rovněž otestován na uměle modifikovaných datech s cílem ověřit chování algoritmu v případě nestandartních situací mozkových patologií.

Magnetic resonance imaging (MRI) plays an increasingly important role in the study of brain pathologies as it allows in-vivo, non-invasive characterization of structural and functional alterations of the brain tissue. With routine usage of advanced MRI techniques during clinical examinations, high demand for reliable tools for processing and analysis of MRI data has emerged. This thesis is focused on three tasks for analysis of clinical MRI; 1) detection of lesion of cerebral ischemia, 2) assessment of blood-brain barrier (BBB) disruption, and 3) analysis of longitudinal variations in white matter neuronal tracts after cerebral ischemia. Detection of tissue affected by cerebral ischemia is a crucial step in the analysis of the relationship between structural and (dys-)functional properties of the post-ischemic brain. As manual delineation of the ischemic lesion (the current golden standard) is a tedious and time-consuming task that is heavily biased due to a high level of subjectivity, one goal of this thesis is to develop a reliable, unbiased, semi-automated algorithm that will assist during the delineation process. The performance of the developed algorithm was tested with resulting 94% sensitivity and 70% precision. BBB impairment plays an important role in the pathophysiology of several brain diseases, however, its exact effect on clinical outcome is still not clear. A novel algorithm for analysis of BBB disruption from contrast MRI was developed and used in our clinical study. The results provide valuable insight into the relationship between BBB impairment and other post-ischemic pathophysiological processes in the brain.The third algorithm pipeline was tailored for the analysis of variations in neuronal tracts. Such changes show different aspects of brain processes and thus provide additional information to the global description of brain pathologies. The proposed algorithm was tested on human MRI and further used on artificially modified data to explore its behavior in non-standard conditions of brain pathologies.