Liver Tumor Assessment with
DCE-MRI
REGISTRATION AND PERFUSION
QUANTIFICATION
Liliana Caldeira nº 52776
Dissertação de Mestrado em Engenharia Biomédica
25 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:
Métodos de Diagnóstico
Tradicionais:
 As taxas de sobrevivência
a 5 anos são muito baixas
(7%)
 Apenas 30% dos doentes
são diagnosticados
quando o tratamento
ainda é possível
 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
Respiração entre cada
aquisição de um volume
Tempo
Injecção do agente de contraste
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
Curvas de Perfusão
Intensidade da Imagem ao longo do tempo
WashOut
Intensidade
WashIn
Tempo
Maligno
Benigno
 Taxa de WashIn superior
 Taxa de WashIn inferior
 Taxa de WashOut
 Taxa de WashOut
superior
inferior
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
T =?
Selecção de Região de
Interesse
Alinhamento
Algoritmo
Aquisição
Selecção de Região de
Interesse
Alinhamento
Estimação do Modelo
Farmacocinético
Algoritmo
Aquisição
Selecção de Região de
Interesse
Alinhamento
Estimação do Modelo
Farmacocinético
Extracção das curvas
de perfusão
Tempo
Intensidade
Tempo
Algoritmo
Aquisição
Selecção de Região de
Interesse
Alinhamento
Estimação do Modelo
Farmacocinético
Extracção das curvas
de perfusão
Classificação
Sumário
 Motivação
 Algoritmo
 Alinhamento
 Quantificação da Perfusão
 Resultados
 Conclusões e Trabalho Futuro
Alinhamento
Objectivo:
 Correcção dos movimentos respiratórios e cardíacos do
doente
 Caracterizar exactamente o mesmo ponto
Alinhamento
Objectivo:
 Correcção dos movimentos respiratórios e cardíacos do
doente
 Caracterizar exactamente o mesmo ponto
Processo de Alinhamento
Métrica: Informação Mútua
Interpolador: B-splines
Optimizador: LBFGSB e Regular Step Gradient Descent
Transformação: 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:
a1e  a2e
b1t
 Normalmente, esta informação é retirada de uma das
artérias mais próximas da zona em questão, por ex.
artéria hepática.
b2t
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
50x40x10
12 cestos
1000 amostras
40x30x10
12 cestos
1000 amostras
80x90x16
32 cestos
7000 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.
Liver Tumor Assessment with
DCE-MRI
REGISTRATION AND PERFUSION
QUANTIFICATION
Liliana Caldeira nº 52776
Dissertação de Mestrado em Engenharia Biomédica
25 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 Bernoulli
F~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=