Upload
internet
View
105
Download
0
Embed Size (px)
Citation preview
REGISTRATION AND PERFUSION QUANTIFICATION
Liver Tumor Assessment with DCE-MRI
Liliana Caldeira nº 52776Dissertação de Mestrado em Engenharia Biomédica25 de Outubro 2007
Orientadores: Professor João Sanches Professor Lopes de Silva
Sumário
Motivação
Algoritmo
Alinhamento
Quantificação da Perfusão
Resultados
Conclusões e Trabalho Futuro
Introdução
Cancro do fígado:
As taxas de sobrevivência a 5 anos são muito baixas (7%)
Apenas 30% dos doentes são diagnosticados quando o tratamento ainda é possível
Métodos de Diagnóstico Tradicionais:
Testes de função hepática
Biópsia
DCE-MRI
Ressonância Magnética com agente de contraste (Dynamic Contrast Enhanced MR Imaging)
Praticamente não invasiva
Injecção de agente de contraste (ex. gadolinium)
Aquisição de uma sequência de volumes temporais
DCE-MRI
Tempo
Injecção do agente de contraste
Respiração entre cada aquisição de um volume
Identificação de Tumores Malignos
Angiogénese
Criação de vasos na região que envolve o tumorVasos maiores e mais permeáveis
Aumento do consumo sanguíneoQuantidade de agente de contraste maior e mais
rápidaVisível na Imagem
Curvas de Perfusão
Taxa de WashIn superior
Taxa de WashOut superior
BenignoMaligno
Taxa de WashIn inferior
Taxa de WashOut inferior
Intensidade da Imagem ao longo do tempo
Tempo
IntensidadeWashIn
WashOut
Sumário
Motivação
Algoritmo
Alinhamento
Quantificação da Perfusão
Resultados
Conclusões e Trabalho Futuro
Algoritmo
Utilizando sequências de DCE-MRI de uma pequena região de interesse (ROI) com baixa resolução temporal :
Corrigir os movimentos do doente durante a aquisição da ressonância magnética
Ferramenta de apoio à decisão médica quanto à malignidade de tumores hepáticos.
Algoritmo
Aquisição
Algoritmo
Aquisição
Selecção de Região de Interesse
Algoritmo
Aquisição
Selecção de Região de Interesse
Alinhamento
T =?
Algoritmo
Aquisição
Selecção de Região de Interesse
Estimação do Modelo Farmacocinético
Alinhamento
Algoritmo
Aquisição
Selecção de Região de Interesse
Estimação do Modelo Farmacocinético
Extracção das curvas de perfusão
Alinhamento
Intensidade
Tempo
Tempo
Algoritmo
Aquisição
Selecção de Região de Interesse
Estimação do Modelo Farmacocinético
Extracção das curvas de perfusão
Alinhamento
Classificação
Sumário
Motivação
Algoritmo
Alinhamento
Quantificação da Perfusão
Resultados
Conclusões e Trabalho Futuro
Alinhamento
Objectivo:Correcção dos movimentos respiratórios e
cardíacos do doenteCaracterizar exactamente o mesmo ponto
Alinhamento
Objectivo:Correcção dos movimentos respiratórios e
cardíacos do doenteCaracterizar exactamente o mesmo ponto
Processo de Alinhamento
Métrica: Informação MútuaInterpolador: B-splinesOptimizador: LBFGSB e Regular Step Gradient DescentTransformação: Não rígida
Informação Mútua (MI)
É necessário estimar a densidade de probabilidade marginal e conjunta das imagens A e B
Quantos cestos ? Quantas amostras?
Sumário
Motivação
Algoritmo
Alinhamento
Quantificação da Perfusão
Resultados
Conclusões e Trabalho Futuro
Quantificação da Perfusão
Dois métodos:
Análise das concentrações do agente de contraste ao longo do tempo com Modelos Farmacocinéticos
Análise das variações de intensidade ao longo do tempo (Semiquantitativo)
Concentração do agente de contraste
Gadolinium é um agente de contraste com baixo peso molecular.
Existe relação entre Intensidade de imagem e Concentração:
Modelo Farmacocinético
Modelos desenvolvidos tendo em conta a fisiologia do organismo
Concentração do agente de contraste no tumor
Concentração do agente de contraste no plasma
Constantes
Arterial Input Function (AIF)
A Arterial Input Function é uma aproximação a
AIF é assumida como uma biexponencial:
Normalmente, esta informação é retirada de uma das artérias mais próximas da zona em questão, por ex. artéria hepática.
tbtb eaea 2121
Modelo Proposto
A injecção do agente de contraste é modelada como um impulso de duração d
AIF é a resposta de um sistema de 2ª ordem ao sinal de injecção do agente de contraste (Bloco 1)
O modelo farmacocinético é um sistema de 1ª ordem que tem como entrada o sinal AIF (Bloco 2)
Modelo Proposto
É preciso calcular os parâmetros da injecção e da função transferência para ter todos os dados do modelo a partir das observações.
Sumário
Motivação
Algoritmo
Alinhamento
Quantificação da Perfusão
Resultados
Conclusões e Trabalho Futuro
Resultados
Sensibilidade ao número de cestos e amostras:
Repetir várias vezes a mesma experiência (8 ou 12)
Em cada experiência, duas imagens são alinhadas
O valor de MI é registado e calcula-se a média e variância
Os testes são repetidos para diferentes números de cestos e amostras
É ainda calculado o valor de MI usando todas as amostras.
Resultados
Sensibilidade ao número de cestos e amostras
Resultados
Sensibilidade ao número de cestos e amostras
Resultados
Sensibilidade ao número de cestos e amostras:
5% das amostras é suficiente para ter uma boa estimativa
Metade no máximo alcance dinâmico das imagens é um bom número de cestos
Pequenas variações nos tamanhos das imagens não são importantes
Resultados
Estratégias de Emparelhamento
Sequencial
Referência
Aleatório
?
Resultados
Tempo (s) MI
Sequencial 236 -0.1198
Referência 236 -0.5458
Aleatório 204 -0.55
Sequential 230 -0.4053
Referência 230 -0.3494
Aleatório 146 -0.4003
Sequential 1693 -0.5645
Referência 1736 -0.4538
Aleatório 4057 -0.5709
50x40x1012 cestos1000 amostras
40x30x1012 cestos1000 amostras
80x90x1632 cestos7000 amostras
Resultados
Curvas de Perfusão
Resultados
Tumor Saudável
Taxa deWashIn
Modelo 3ª ordem, região inicial Tumor
0.0941 0.0588
Modelo 4ª ordem, região inicial Tumor
0.0921 0.0586
Modelo 3ª ordem, região inicial Saudável
0.0833 0.0523
Taxa de WashOut
Modelo 3ª ordem, região inicial Tumor
-0.0108 -0.0072
Modelo 4ª ordem, região inicial Tumor
-0.0120 -0.0087
Modelo 3ª ordem, região inicial Saudável
-0.0113 -0.0076
Resultados
Medidas automáticas de taxas de WashIn e WashOut são mais elevadas nos tecidos tumorais que nos saudáveis e podem ser utilizados para classificação.
Modelo de 3ª ordem é preferível.
Existe heterogeneidade de tumores.
A escolha de região inicial para cálculo da injecção de agente de contraste tem de ser a mesma para um mesmo doente para se poder comparar tecidos.
Sumário
Motivação
Algoritmo
Alinhamento
Quantificação da Perfusão
Resultados
Conclusões e Trabalho Futuro
Conclusões e Trabalho Futuro
Um algoritmo de alinhamento baseado na MI foi desenvolvido usando transformações não rígidas.
A nova estratégia de alinhamento parece ser promissora.
Um algoritmo automático para caracterização de tumores foi desenvolvido.
As taxas de WashIn e WashOut devem ser calculadas para diferentes tecidos e doentes para obter classificadores robustos.
REGISTRATION AND PERFUSION QUANTIFICATION
Liver Tumor Assessment with DCE-MRI
Liliana Caldeira nº 52776Dissertação de Mestrado em Engenharia Biomédica25 de Outubro 2007
Resultados
Optimização do número de cestos e amostras
F – evento preencher o cesto quando se retira uma amostra
É uma experiência de BernoulliF~N(p,p(1-p)/n)
Para intervalo de confiança a 95%:
Resultados
Para um determinado erro e:
Qual será p?Assumimos que uma amostra tem igual
probabilidade de ficar em qualquer cesto. Em 2D, temos:
p=