TEMA EDIŢIEI

Neuroradiologia şi inteligenţa artificială – review general

 Neuroradiology and artificial intelligence – general review

First published: 25 martie 2022

Editorial Group: MEDICHUB MEDIA

DOI: 10.26416/Med.145.1.2022.6215

Abstract

Neuroradiology has developed greatly in recent years, and CT and MRI have improved the diagnosis of central nervous system disorders and the monitoring of their treatment responses. Artificial intelligence in neuroradiology is used to reduce the acquisition time, for automatic 3D reconstruction of sequences, reduction of artifacts given by the movement of patients and for improving image quality. These softwares can also segment the cerebral parenchyma in the volume of cerebrospinal fluid, white matter and gray matter, and these data can be compared to monitor the evolution or stagnation of certain pathologies. The most common pathologies in which magnetic resonance imaging is used are multiple sclerosis, Alzheimer’s disease, fronto-temporal dementia, focal epilepsy and parkinsonism. According to the latest studies, artificial intelligence algorithms can segment brain tumors, can detect areas of microhemorrhages, can approximate the affected brain volume in case of strokes and can predict their general prognosis. In multiple sclerosis, it is presented an algorithm with a fairly high accuracy that shows the active lesions without the need for contrast agent administration, and it can assess the severity of the disease with the onset of disability.
 

Keywords
MRI, CT, neuroradiology, artificial intelligence, volumetry, algorithm

Rezumat

Neuroradiologia s-a dezvoltat foarte mult în ultimii ani, iar CT-ul şi IRM-ul au îmbunătăţit diagnosticul afecţiunilor sistemului nervos cen­tral şi monitorizarea răspunsurilor la tratament ale acestora. In­­te­­li­genţa artificială în neuroradiologie este uti­li­za­tă pentru re­du­­­ce­­rea timpului de achiziţie, pentru reconstrucţia 3D automată a sec­ven­ţe­lor, reducerea artefactelor date de miş­ca­rea pacienţilor şi pentru îmbunătăţirea calităţii imaginilor. De ase­me­nea, aceste soft­uri pot segmenta parenchimul cerebral în volum de lichid ce­­fa­­­lo­­­ra­­­hi­­dian, substanţă albă şi substanţă ce­nu­şie, iar datele pot fi com­pa­ra­te pentru a monitoriza evoluţia sau stagnarea unor anu­­­mi­­te pa­to­logii. Cele mai frecvente pa­to­lo­gii în care se utilizează vo­­­lu­­­me­­­tria cerebrală bazată pe ima­gis­tica prin rezonanţă mag­­­ne­­­ti­­că sunt scleroza multiplă, boa­la Alzheimer, demenţa fron­to-temporală, epilepsia focală şi parkinsonismul. Conform ulti­­me­­lor studii, algo­ritmii de in­te­li­genţă artificială pot segmenta for­­ma­­ţiu­­ni­­le cerebrale, pot detecta zonele de microhemoragii, pot apro­xi­ma volumul ce­re­bral afectat în cazul accidentelor vasculare şi pot prezice prog­nos­ticul general al acestora. În scleroza multiplă este prezentat un algoritm cu o precizie destul de ridicată, care ara­tă leziunile active fără a fi necesară administrarea substanţei de con­­­trast şi care poate aprecia severitatea bolii, cu apariţia stării de inva­­li­­di­ta­te.
 

Neuroradiologia s-a dezvoltat foarte mult în ultimii ani, iar tomografia computerizată (CT) şi imagistica prin rezonanţă magnetică (IRM) au îmbunătăţit diagnosticul afecţiunilor sistemului nervos central, selectarea strategiilor de tratament şi monitorizarea răspunsurilor la acesta.

CT-ul utilizează un tub cu raze X care traversează cor­pul uman, iar imaginea rezultată în plan transversal este o reconstrucţie matematică pe baza atenuării razelor X a ţesuturilor, care se măsoară în unităţi Hounsfield. Componentele tisulare cu o densitate ridicată, cum ar fi oasele şi calcificările, vor produce o imagine strălucitoare, iar ţesuturile cu densitate scăzută, cum ar fi aerul şi grăsimea, vor genera o imagine întunecată. Substanţa de contrast folosită este pe bază de iod, iar aceasta ajută la o vizualizare mai bună a ţesuturilor şi formaţiunilor tumorale, respectiv la evidenţierea vaselor sanguine. Este o investigaţie folosită în special în sistemul de urgenţă datorită duratei scăzute de achiziţie a imaginilor(1,2).

IRM-ul utilizează un câmp magnetic puternic, de obicei 1.5 sau 3 Tesla, unde radio şi un computer pentru a produce imagini. Imaginile obţinute sunt superioare în caracterizarea ţesuturilor comparativ cu examinarea CT. Câmpul magnetic acţionează asupra atomilor de hidrogen, pe care îi aliniază, iar sub influenţa undelor radio aceştia se vor reorienta şi vor genera energie care va fi captată şi transformată în semnal. Proprietăţile semnalului emis depind de conţinutul de apă al regiunii de interes. Această tehnică are avantajul de a evita razele X şi poate fi repetată ori de câte ori este nevoie, fără a avea efecte secundare. Imaginile de bază achiziţionate în timpul scanării sunt T1 şi T2. Secvenţa FLAIR anulează semnalul lichidelor în stare pură şi facilitează detectarea leziunilor adiacente spaţiilor ce conţin LCR; STIR sau FatSat anulează semnalul de grăsime, DWI este folosită pentru a vizualiza mişcarea liberă a apei din spaţiul interstiţial în cel extracelular, DTI permite vizualizarea tracturilor de substanţă albă, iar MRS (spectroscopie) oferă informaţii chimice despre o leziune(3-6).

Volumetria cerebrală bazată pe imagistica prin re­zo­nan­ţă magnetică s-a dovedit a fi un biomarker valid al stării clinice şi al progresiei unor afecţiuni neurologice, fiind din ce în ce mai utilizată în mediul clinic. Afecţiunile neurologice în care volumetria cerebrală este cea mai folosită sunt următoarele: boala Alzheimer, demenţa fronto-temporală, scleroza multiplă, epilepsia focală şi parkinsonismul. Inteligenţa artificială prin intermediul unui algoritm poate segmenta parenchimul cerebral în volum de: lichid cefalorahidian, substanţă albă şi substanţă cenuşie. Parametrii rezultaţi pot fi comparaţi la examinările ulterioare pentru a evalua gradul atrofiei, evoluţia sau stagnarea leziunilor degenerative sau demielinizante(7-9).

Skolnik et al. au afirmat că sistemele de inteligenţă artificială folosite în neuroradiologie au un potenţial mare pentru monitorizarea tratamentelor standard, cât şi a tratamentelor noi apărute, cum ar fi imunoterapia, respectiv de a evalua un răspuns mai rapid al tratamentului şi, astfel, ajustarea acestuia în dinamică(10).

Softurile de inteligenţă artificială au rolul de a deli­mita zonele anormale de cele de parenchim cerebral nor­mal. Identificarea şi delimitarea acestor zone sunt importante pentru monitorizarea dimensiunii sau activităţii unor leziuni şi consumatoare de timp dacă sunt realizate manual. Zaharchuk et al. au realizat un al­go­ritm ce segmentează formaţiunile cerebrale, detectea­ză microhemoragiile, identifică zonele de infarct şi aproximează volumul cerebral afectat în cazul unui accident vascular cerebral(11,12).

Algoritmii sistemelor de inteligenţă artificială pot fi utilizaţi pentru reducerea timpului de achiziţie, pentru reconstrucţia automată şi pentru îmbunătăţirea calităţii imaginilor. De asemenea, aceşti algoritmi pot crea imagini simulate ca un aparat de 7 Tesla folosind date din 3 Tesla şi pot prioritiza cazurile în funcţie de modificările găsite pe imagini pentru ca acestea să fie interpretate în ordinea urgenţelor de către medici, cu efecte favorabile asupra rezultatelor pacienţilor(13-15). Ilkay Oksuz, în studiul pe care l-a realizat, a arătat faptul că folosind reţele neuronale artificiale se pot detecta şi corecta artefactele de mişcare de la nivelul parenchimului cerebral(16).

Narayana et al. au utilizat conceptul de învăţare profundă structurată pentru a prezice leziunile active din scleroza multiplă, pe o examinare IRM fără administrare de substanţă de contrast, utilizând secvenţele T1 şi FLAIR cu o precizie de 70%, faţă de examinările cu substanţă de contrast, dar folosirea mai multor secvenţe poate creşte acest procentaj(17). Pinto et al. au prezentat un algoritm de inteligenţă artificială pentru scleroza multiplă care poate prezice evoluţia ei în forma secundară progresivă în următorii doi ani cu o sensibilitate de 76% şi specificitate de 77% şi poate aprecia severitatea bolii cu apariţia stării de invaliditate în decurs de doi ani, cu o sensibilitate de 84% şi specificitate de 81%(18).

McCoy et al. au prezentat un algoritm de segmentare a parenchimului cerebral şi a măduvei spinării pentru a detecta leziunile în context traumatic, iar volumul leziunilor găsite la nivelul măduvei spinării s-a corelat cu deficitele motorii ale pacienţilor în faza acută şi a oferit date relevante din punct de vedere clinic(19).

Pe secvenţele T1, T1 cu substanţă de contrast şi FLAIR, Grøvik et al. au realizat un algoritm care vizualizează, cuantifică, segmentează metastazele cerebrale şi le compară cu examinări anterioare pentru a vedea remisiunea sau progresia bolii. Datele rezultate pot fi folosite în planificarea radioterapiei(20).

Studii recente au arătat faptul că utilizarea metodelor de învăţare automată poate prezice prognosticul general al pacienţilor cu accident vascular cerebral. Tang et al. au dezvoltat şi validat un model de învăţare automată ce identifică pacienţii care pot beneficia de tratament endovascular şi cuantifică rezultatele clinice şi funcţionale ale acestora pe termen scurt şi lung, iar Chauhan et al. au validat o reţea neuronală convoluţională care evaluează severitatea deficitelor de limbaj în urma unui accident vascular cerebral(21,22).  

 

Conflict of interests: The authors declare no con­flict of interests.

 

Bibliografie

  1. Larsson EM, Wikström J. Overview of neuroradiology. Handb Clin Neurol. 2017;145:579-599. doi:10.1016/B978-0-12-802395-2.00037-7.

  2. Donahue J, Wintermark M. Perfusion CT and acute stroke imaging: foundations, applications, and literature review. J Neuroradiol. 2015 Feb;42(1):21-9. doi:10.1016/j.neurad.2014.11.003. Epub 2015 Jan 27.

  3. Mikulis DJ, Roberts TP. Neuro MR: protocols. J Magn Reson Imaging. 2007 Oct;26(4):838-47. doi:10.1002/jmri.21041.

  4. Le Bihan D. Apparent diffusion coefficient and beyond: what diffusion MR imaging can tell us about tissue structure. Radiology. 2013 Aug;268(2):318-22. doi:10.1148/radiol.13130420.

  5. Lope-Piedrafita S. Diffusion Tensor Imaging (DTI). Methods Mol Biol. 2018;1718:103-116. doi:10.1007/978-1-4939-7531-0_7.

  6. Rhodes CJ. Magnetic resonance spectroscopy. Sci Prog. 2017 Sep 1;100(3):241-292. doi:10.3184/003685017X14993478654307. Epub 2017 Aug 5.

  7. Giorgio A, De Stefano N. Clinical use of brain volumetry. J Magn Reson Imaging. 2013 Jan;37(1):1-14. doi:10.1002/jmri.23671.

  8. McCoy DB, Dupont SM, Gros C, et al. Convolutional Neural Network–Based Automated Segmentation of the Spinal Cord and Contusion Injury: Deep Learning Biomarker Correlates of Motor Impairment in Acute Spinal Cord Injury. AJNR Am J Neuroradiol. 2019;40(4):37-44. doi:10.3174/ajnr.A6020.

  9. Warntjes M, Engström M, Tisell A, Lundberg P. Modeling the Presence of Myelin and Edema in the Brain Based on Multi-Parametric Quantitative MRI. Front Neurol. 2016 Feb 17;7:16. doi:10.3389/fneur.2016.00016.

  10. Skolnik AD, Wang S, Gopal PP, Mohan S. Commentary: Pitfalls in the Neuroimaging of Glioblastoma in the Era of Antiangiogenic and Immuno/Targeted Therapy. Front Neurol. 2018 Feb 5;9:51. doi:10.3389/fneur.2018.00051.

  11. Wachinger C, Reuter M, Klein T. DeepNAT: Deep convolutional neural network for segmenting neuroanatomy. Neuroimage. 2018 Apr 15;170:434-445. doi:10.1016/j.neuroimage.2017.02.035. Epub 2017 Feb 20.

  12. Zaharchuk G, Gong E, Wintermark M, Rubin D, Langlotz CP. Deep Learning in Neuroradiology. AJNR Am J Neuroradiol. 2018 Oct;39(10):1776-1784. doi:10.3174/ajnr.A5543. Epub 2018 Feb 1. PMID: 29419402.

  13. Schlemper J, Caballero J, Hajnal JV, Price AN, Rueckert D. A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction. IEEE Trans Med Imaging. 2018;37(2):491-503.

  14. Yang, Y et al. Deep ADMM-Net for Compressive Sensing MRI. NIPS, 2016.

  15. Wang S, Su Z, Ying L, Peng X, Zhu S, Liang F, Feng D, Liang D. Accelerating magnetic resonance imaging via deep learning. Proceedings. IEEE International Symposium on Biomedical Imaging. 2016;2016:514-517. https://doi.org/10.1109/ISBI.2016.7493320.

  16. Oksuz I. Brain MRI artefact detection and correction using convolutional neural networks. Computer Methods and Programs in Biomedicine. 2021 Feb;199:105909. doi:10.1016/j.cmpb.2020.105909.

  17. Narayana PA, Coronado I, Sujit SJ, Wolinsky JS, Lublin FD, Gabr RE. Deep Learning for Predicting Enhancing Lesions in Multiple Sclerosis from Noncontrast MRI. Radiology. 2020 Feb;294(2):398-404. doi:10.1148/radiol.2019191061.

  18. Pinto MF, Oliveira H, Batista S, et al. Prediction of disease progression and outcomes in multiple sclerosis with machine learning. Sci Rep. 2020;10:21038. doi:10.1038/s41598-020-78212-6.

  19. McCoy DB, Dupont SM, Gros C, Cohen-Adad J, Huie RJ, Ferguson A, Duong-Fernandez X, Thomas LH, Singh V, Narvid J, Pascual L, Kyritsis N, Beattie MS, Bresnahan JC, Dhall S, Whetstone W, Talbott JF; TRACK-SCI Investigators. Convolutional Neural Network-Based Automated Segmentation of the Spinal Cord and Contusion Injury: Deep Learning Biomarker Correlates of Motor Impairment in Acute Spinal Cord Injury. AJNR Am J Neuroradiol. 2019 Apr;40(4):737-744. Epub 2019 Mar 28. doi:10.3174/ajnr.A6020. 

  20. Grøvik E, Yi D, Iv M, Tong E, Rubin D, Zaharchuk G. Deep learning enables automatic detection and segmentation of brain metastases on multisequence MRI. J Magn Reson Imaging. 2020;51(1):175-182. doi:10.1002/jmri.26766.

  21. Tang TY, Jiao Y, Cui Y, Zeng CH, Zhao DL, Zhang Y, et al. Development and validation of a penumbra-based predictive model for thrombolysis outcome in acute ischemic stroke patients. EBioMedicine. 2018;35:251–9. doi:10.1016/j.ebiom.2018.07.028.

  22. Chauhan S, Vig L, De Filippo De Grazia M, Corbetta M, Ahmad S, Zorzi M. A comparison of shallow and deep learning methods for predicting cognitive performance of stroke patients from MRI lesion images. Front Neuroinform. 2019;13:53. doi:10.3389/fninf.2019.00053.

Articole din ediţiile anterioare

IMAGINE CLINICĂ | Ediţia 6 120 / 2017

Fractură de col femural neconsolidată

Sever- Sebastian Oană

Prezentăm cazul unui bărbat de 68 de ani cu fractură de col femural tratată prin osteosinteză cu șuruburi. Nu s-a obținut consolidarea, motiv pentr...

24 noiembrie 2017
ACTUALITATEA MEDICALA | Ediţia 1 133 / 2020

Actualitatea medicală

Mihai Mara

În scopul prevenirii îmbolnăvirilor şi recuperării capacităţii de muncă, asiguraţii pot beneficia de concediu şi indemnizaţie pentru carantină, con...

25 martie 2020
SINTEZE CLINICE | Ediţia 3 159 / 2024

Osteoporoza

Mihaela Daniela Baltă, Andreea Cristina Baltă

Osteoporoza este o suferinţă metabolică a osului, caracterizată prin scăderea masei osoase şi creşterea riscului de fractură.

30 mai 2024
TEMA EDIŢIEI | Ediţia 4 148 / 2022

Calitatea oului, aliment de bază cu potenţial nutraceutic

Remus Şipoş, Florina Daniela Ruţă, Eliana Coman, Radu Fechete

Oul este un aliment de bază al cărui consum, direct sau in­di­rect, este prezent aproape zilnic în dieta persoanelor care nu au adoptat un stil ali...

27 septembrie 2022