Liver Tumor Assessment with DCE-MRI

1. Liver Tumor Assessmentwith DCE-MRI RegistrationandPerfusionQuantification Liliana Caldeira nº 52776 Dissertação de Mestrado em Engenharia Biomédica 25 de Outubro 2007 Orientadores: Professor João Sanches Professor Lopes de Silva

2. Sumário Motivação Algoritmo Alinhamento Quantificação da Perfusão Resultados Conclusões e Trabalho Futuro

3. 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

4. DCE-MRI Ressonância Magnética com agente de contraste (DynamicContrastEnhanced MR Imaging) Praticamente não invasiva Injecção de agente de contraste (ex. gadolinium) Aquisição de uma sequência de volumes temporais

5. DCE-MRI Respiração entre cada aquisição de um volume Tempo Injecção do agente de contraste

6. Identificação de Tumores Malignos Angiogénese Criação de vasos na região que envolve o tumor Vasos maiores e mais permeáveis Aumento do consumo sanguíneo Quantidade de agente de contraste maior e mais rápida Visível na Imagem

7. Benigno Maligno Curvas de Perfusão Taxa deWashIn superior Taxa deWashOut superior Intensidade da Imagem ao longo do tempo WashOut Intensidade WashIn Tempo Taxa deWashIn inferior Taxa deWashOut inferior

8. Sumário Motivação Algoritmo Alinhamento Quantificação da Perfusão Resultados Conclusões e Trabalho Futuro

9. 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.

10. Algoritmo Aquisição

11. Algoritmo Aquisição Selecção de Região de Interesse

12. Algoritmo Aquisição T =? Selecção de Região de Interesse Alinhamento

13. Algoritmo Aquisição Selecção de Região de Interesse Alinhamento Estimação do Modelo Farmacocinético

14. Algoritmo Aquisição Selecção de Região de Interesse Alinhamento Tempo Estimação do Modelo Farmacocinético Intensidade Extracção das curvas de perfusão Tempo

15. Algoritmo Aquisição Selecção de Região de Interesse Alinhamento Estimação do Modelo Farmacocinético Extracção das curvas de perfusão Classificação

16. Sumário Motivação Algoritmo Alinhamento Quantificação da Perfusão Resultados Conclusões e Trabalho Futuro

17. Alinhamento Objectivo: Correcção dos movimentos respiratórios e cardíacos do doente Caracterizar exactamente o mesmo ponto

18. Alinhamento Objectivo: Correcção dos movimentos respiratórios e cardíacos do doente Caracterizar exactamente o mesmo ponto

19. Processo de Alinhamento Métrica: Informação Mútua Interpolador: B-splines Optimizador: LBFGSB e RegularStepGradientDescent Transformação: Não rígida

20. Informação Mútua (MI) É necessário estimar a densidade de probabilidade marginal e conjunta das imagens A e B Quantos cestos ? Quantas amostras?

21. Sumário Motivação Algoritmo Alinhamento Quantificação da Perfusão Resultados Conclusões e Trabalho Futuro

22. 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)

23. Concentração do agente de contraste Gadolinium é um agente de contraste com baixo peso molecular. Existe relação entre Intensidade de imagem e Concentração:

24. 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

25. Arterial InputFunction(AIF) A ArterialInputFunctioné uma aproximação a AIF é assumida como umabiexponencial: Normalmente, esta informação é retirada de uma das artérias mais próximas da zona em questão, por ex. artéria hepática.

26. 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 modelofarmacocinético é um sistema de 1ª ordem que tem como entrada o sinal AIF (Bloco 2)

27. Modelo Proposto É preciso calcular os parâmetros da injecção e da função transferência para ter todos os dados do modelo a partir das observações.

28. Sumário Motivação Algoritmo Alinhamento Quantificação da Perfusão Resultados Conclusões e Trabalho Futuro

29. 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.

30. Resultados Sensibilidade ao número de cestos e amostras

31. Resultados Sensibilidade ao número de cestos e amostras

32. 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

33. Resultados • Estratégias de Emparelhamento • Sequencial • Referência • Aleatório ?

34. Resultados 50x40x10 12 cestos 1000 amostras 40x30x10 12 cestos 1000 amostras 80x90x16 32 cestos 7000 amostras

35. Resultados Curvas de Perfusão

36. Resultados

37. 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.

38. Sumário Motivação Algoritmo Alinhamento Quantificação da Perfusão Resultados Conclusões e Trabalho Futuro

39. 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.

40. Liver Tumor Assessmentwith DCE-MRI RegistrationandPerfusionQuantification Liliana Caldeira nº 52776 Dissertação de Mestrado em Engenharia Biomédica 25 de Outubro 2007

41. Resultados Optimização do número de cestos e amostras F – evento preencher o cesto quando se retira uma amostra É uma experiência deBernoulli F~N(p,p(1-p)/n) Para intervalo de confiança a 95%:

42. 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=