Ruisheng Su

In de afgelopen jaren is het onderzoek naar biomedische beeldvorming diepgaand beïnvloed door de opkomst van geautomatiseerde beeldanalysemethoden, momenteel voornamelijk gebaseerd op machine learning-methodologieën. Tegelijkertijd hebben innovaties in cerebrale endovasculaire ingrepen een revolutie veroorzaakt in de praktijk van de behandeling van beroertes. Deze twee ontwikkelingen hebben geleid tot een unieke kans om de behandeling en gepersonaliseerde zorg voor acute ischemische beroertes verder te optimaliseren. In dit werk hebben we de meest recente technische toepassingen en klinisch onderzoek op dit gebied gecombineerd en hierop voortgeborduurd door ons te richten op geautomatiseerde en kwantitatieve analyse van peri-operatieve cerebrale angiografie voor diagnose, interventionele beslissingsondersteuning en voorspelling van functionele uitkomst.

Deel I, II en III richten zich op verschillende technische uitdagingen in de beeldanalyse van digitale subtractie angiografie, variërend van beeldacquisitie en beeldverwerking tot beeldinterpretatie. Deel IV presenteert een verdere klinische validatie van een van deze technische bijdragen.

Tijdens endovasculaire procedures bij beroertes worden meerdere 2D DSA-tijdreeksen verzameld. De kwaliteit van cerebrale DSA wordt vaak negatief beïnvloed door hoofdbewegingen tijdens de acquisitie, wat leidt tot een verminderde diagnostische waarde. In Hoofdstuk 2 presenteerden we AngioMoCo, een op deep learning gebaseerde strategie voor bewegingsvrije digitale subtractie angiografie. Traditionele benaderingen voor bewegingscorrectie steunen zwaar op niet-rigide registratietechnieken en maken gebruik van schaarse anatomische punten en introduceren kosten voor niet-rigide deformaties om vaatvervorming te verminderen. Deze methoden zijn echter tijdrovend. Recente op leermethoden gebaseerde methoden verhelpen subtractieartefacten door het aftrekken van het voorspelde frame van het overeenkomstige niet-afgetrokken frame, maar compenseren niet expliciet voor door beweging veroorzaakte misalignementen tussen frames. Dit belemmert de seriële evaluatie van bloedstroom en veroorzaakt vaak ongewenste veranderingen in het uiterlijk van de vasculatuur en de dynamiek van de contraststroom. AngioMoCo maakt gebruik van een contrastextractiemodule om contraststroom te ontkoppelen van lichaamsbeweging en een module voor vervormingsregistratie om zich te concentreren op door beweging veroorzaakte vervormingen. Op deze manier richt de registratie zich op het corrigeren van patiëntenbewegingen in plaats van het wissen van intensiteitsveranderingen veroorzaakt door contraststroom. Deze strategie verbetert de registratiekwaliteit terwijl deze ordes sneller zijn dan iteratieve op elastix gebaseerde methoden. We hebben aangetoond op een grote nationale multi-center dataset (MR CLEAN Registry) dat AngioMoCo een hoge registratienauwkeurigheid bereikt terwijl vasculaire kenmerken behouden blijven, waardoor de kwaliteit en klinische bruikbaarheid van DSA voor diagnose en behandelplanning bij endovasculaire procedures worden verbeterd.

Naast de misregistratie tussen frames binnen een DSA-serie, treden er vaak misregistraties op tussen DSA-series die op verschillende tijdstippen van een enkele patiënt zijn verkregen. Dit beperkt de directe vergelijking van behandeleffecten op cerebrale vasculatuur. Hoofdstuk 3 onderzocht benaderingen om cerebrale DSA-series automatisch uit te lijnen. Transformaties die rekening houden met verschillen in schaal blijken effectief te zijn bij het uitlijnen van cerebrale DSA-series. Door nauwkeurig kenmerkende punten te identificeren via deep learning-technieken kan registratie van pre-/post-EVT DSA-series worden uitgevoerd met behulp van traditionele puntgebaseerde methoden, met een succespercentage van 85%. Dit succesniveau geldt voor patiënten met verschillende occlusielocaties en procedure-uitkomsten. Deze bevindingen kunnen verdere automatisering van DSA-beeldanalyse en procedure-evaluatie mogelijk maken, bijdragen aan voorspelling van uitkomsten en procedurebesluitvorming voor EVT.

Vaatsegmentatie is een ander veel bestudeerd onderwerp in medische beelden. In de context van cerebrale DSA is het klinisch relevant om arteriële en veneuze vaten te extraheren en te onderscheiden voor mogelijke biomarker-extractie. Deel II van de thesis beschrijft vessel-segmentatiemethoden op maat gemaakt voor 2D DSA-tijdreeksen. Hoofdstuk 4 gebruikte de Frangi-filter en drempelwaarden om vessel-segmentatie uit te voeren en arteries en veins te scheiden met behulp van machine learning-methoden op basis van kenmerken afgeleid van de tijd-intensiteitscurves. Als verdere verbetering stelde Hoofdstuk 5 een volledig, op deep learning gebaseerde, automatische methode voor, met als toepassing arterieel-veneuze segmentatie. Het integreert zowel het vasculaire uiterlijk als de temporele contraststroomdynamiek in een end-to-end aanpak en produceert hoogwaardige multi-class segmentaties van cerebrale DSA-series met variabele lengtes. De methode kan de kwantitatieve analyse van vaten vergemakkelijken voor klinische diagnose, voorspelling van uitkomsten en behandelplanning bij endovasculaire ingrepen.

Terwijl de eerdere hoofdstukken zich richten op algemene beeldverwerkingstechnieken in DSA, gaat Deel III in op specifieke klinische toepassingen met behulp van kwantitatieve beeldanalysemethoden. Hoofdstuk 6 presenteerde een uitlegbare, robuuste en volledig automatische perfusiekwantificatiemethode, autoTICI. Dit was om de beperking van TICI en andere bestaande behandelingsbeoordelingsmetingen bij acute ischemische beroertes aan te pakken. Bestaande TICI-scores zijn gedefinieerd in grove ordinaalgraden op basis van visuele inspectie, wat leidt tot inter- en intra-waarnemer variatie. In tegenstelling hiermee is autoTICI een automatisch, reproduceerbaar en continu reperfusiepercentage. Op de MR CLEAN registry-gegevens toonde autoTICI goede correlaties met de extended TICI (eTICI) gescoord door ervaren neuroradiologen en toonde het vergelijkbare capaciteiten in het voorspellen van functionele uitkomsten bij patiënten 3 maanden na de EVT-procedure.

Tijdens een EVT probeert de interventionalist de trombus met een stent uit het vat te verwijderen. Er kunnen zich tijdens de procedure complicaties voordoen, die directe therapeutische reacties vereisen. Hoofdstuk 7 presenteerde de eerste studie die automatische detectie van intracraniële bloedvatperforatie tijdens EVT aanpakt door gebruik te maken van spatio-temporale netwerken. De studie maakte gebruik van gegevens verzameld uit meerdere (inter-)nationale databases, en liet zien dat de prestatie van de ontwikkelde deep learning-modellen vergelijkbaar is met die van menselijke experts en een goede generalisatiecapaciteit heeft, waardoor het potentieel waardevol is bij het ondersteunen van therapeutische besluitvorming in de klinische praktijk.

Hoewel Hoofdstuk 6 en 7 concrete voorbeelden geven van hoe kwantitatieve evaluatie kan helpen bij door beeld geleide EVT, kunnen meer kwantitatieve biomarkers worden gemeten en vergeleken tussen patiënten als dergelijke parameters onafhankelijk zijn van het contrastinjectieprofiel tijdens de verwerving van DSA. In varkens onderzocht Hoofdstuk 8 de kwantitatieve eigenschappen van op deconvolutie gebaseerde perfusie-angiografie. Het bevestigt de superieure onafhankelijkheid en gevoeligheid van op deconvolutie gebaseerde perfusie-angiografie (CBV DSA, CBF DSA, Tmax, MTT DSA) ten opzichte van parameters die rechtstreeks zijn afgeleid van de tijd-intensiteitscurves (AUC, piekintensiteit, TTP) in DSA onder variabele injectieprotocollen. Deze bevindingen kunnen verder bijdragen aan kwantitatieve beoordelingen van perfusie-angiografie bij endovasculaire ingrepen.

Ten slotte bevat Deel IV een uitgebreid klinisch onderzoek met betrekking tot de voorgestelde methoden en ongewenste gebeurtenissen tijdens EVT-procedures. Hoofdstuk 9 bestudeerde de prestaties van autoTICI in een grotere steekproef, van 467 patiënten in het MR CLEAN-register met een ICA-, M1- en M2-occlusie. AutoTICI blijkt vergelijkbare prognostische waarde te hebben ten opzichte van eTICI en kan worden gebruikt als alternatief voor visuele reperfusiebeoordeling om reproduceerbare en uniforme rapportage te verbeteren wanneer aan beeldvereisten is voldaan.

Hoewel er uitdagingen blijven om aan te pakken voordat geautomatiseerde leermethoden een standaardfunctie worden in de klinische praktijk, is het duidelijk dat deze technieken aanzienlijk potentieel hebben om een betekenisvolle impact te hebben op de diagnose en behandeling van acute ischemische beroertes.