Analysis of multispectral brain images in the presence of pathology.

Hersentumoren,  Multiple Sclerosis (MS) letsels en letsels veroorzaakt door een ischemisch Cerebrovasculair Accident (iCVA) manifesteren zich op MR beelden als een verzameling van voxels die spatiaal coherent zijn en die tevens hyper-intens of hypo-intens zijn ten opzichte van het gezonde weefsel.  In tijdsreeksen van MR hersenbeelden is bovendien meestal een geleidelijke evolutie van deze letsels te zien.

We stellen in dit werk methoden voor die deze letsels automatisch aflijnen of segmenteren.  Deze methoden zijn geschikt voor aflijning van zowel individuele beelden (single-temporele segmentatie) als voor beelden die deel uitmaken van een tijdsreeks (multi-temporele segmentatie).  Bovendien wordt ook het probleem van regressie van deze letsels behandeld.  Deze verzameling van methoden noemen we TIMinG, Tumor Image-based Morphology and Growth.  Zoals de naam reeds aangeeft, werd TIMinG oorspronkelijk ontwikkeld voor hersentumoren.  We tonen echter aan dat TIMinG ook MS letsels (single-temporeel en multi-temporeel) en iCVA letsels (single-temporeel) kan aflijnen.

Vooreerst is TIMinG een volledig automatische methode die letsels segmenteert en daarbij ook onmiddellijk toepasbaar is op elk MR hersenbeeld.  De toepasbaarheid van de methode is onafhankelijk van de scanner of het MR protocol waarmee het beeld werd opgenomen.  Bovendien vereist de methode geen manueel gelabelde trainingsdata.  We vergelijken onze methode met alle methoden die oorspronkelijk hebben deelgenomen aan de MICCAI Brain Tumor Segmentation 2012-2013 Challenge.  TIMinG is daarbij de best presterende niet-getrainde methode en de derde beste methode van alle getrainde en niet-getrainde methoden samen.  Bovendien kan TIMinG ook MS letsels en iCVA letsels segmenteren met een performantie die vergelijkbaar is met die van methoden die specifiek ontwikkeld werden voor segmentatie van MS en iCVA letsels.  De single-temporele segmentatiemethode is niet-getraind en vereist geen interactie van de gebruiker. Bovendien is de methode geschikt voor verschillende MR beeldmodaliteiten en voor verschillende letseltypes.  Dit alles maakt dat de methode dus erg geschikt is voor kwantificatie van letsels in de klinische praktijk en voor pre-klinisch onderzoek.

TIMinG segmenteert ook alle beelden in een tijdsreeks van een patiënt gelijktijdig.  Deze multi-temporele segmentatiemethode is een wiskundige veralgemening van de single-temporele methode en wordt gevalideerd voor tijdsreeksen van zowel tumorletsels als MS letsels. Voor tumorpatiënten wordt aangetoond dat de nauwkeurigheid en consistentie van de multi-temporele methode groter is dan deze van de single-temporele segmentatiemethode.

Ten slotte modelleert TIMinG ook de groei van de letsels over de tijd.  Gelijktijdig wordt ook de lokale groeisnelheid van het letsel geschat.  Het algoritme houdt daarbij rekening met de tijdstippen waarop de beelden opgenomen werden.  Deze multi-temporele regressie wordt geïllustreerd op 16 tijdsreeksen van tumorpatiënten.  De predictiekracht van het model wordt gevalideerd.

We besluiten dat TIMinG een verzameling van methoden is die dient voor exploratief onderzoek van de morfologie en de groei van hersenletsels door clinici.   TIMinG kan ook dienen om deze hersenletsels te kwantificeren, bijvoorbeeld met behulp van maten als de lokale groeisnelheid, groeirichting, groeiversnelling, enzovoort.  Clinici hebben voldoende aan een tijdsreeks van MR hersenbeelden - i.e. twee of meerdere tijdstippen - om hieruit kwantitatieve maten te bekomen die de morfologie en de groei van letsels beschrijven.