registration and perfusion quantification liver tumor assessment with dce-mri liliana caldeira nº...

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


Resultados


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


Alinhamento

T =?

Algoritmo

Aquisição


Estimação do Modelo Farmacocinético

Alinhamento

Algoritmo

Aquisição



Extracção das curvas de perfusão

Alinhamento

Intensidade

Tempo

Tempo

Algoritmo

Aquisição



Extracção das curvas de perfusão

Alinhamento

Classificação

Sumário

Motivação

Algoritmo

Alinhamento


Resultados


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


Resultados



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


Resultados


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:

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



Sequential 1693 -0.5645



50x40x1012 cestos1000 amostras



Resultados

Curvas de Perfusão

Resultados

Tumor Saudável

Taxa deWashIn

Modelo 3ª ordem, região inicial Tumor

0.0941 0.0588


0.0921 0.0586

Modelo 3ª ordem, região inicial Saudável

0.0833 0.0523

Taxa de WashOut


-0.0108 -0.0072


-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


Resultados



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=

registration and perfusion quantification liver tumor assessment with dce-mri liliana caldeira nº...

Documents