Diferenciální diagnostika kruhově se sytících lézí mozku na základě linie zájmu v ADC mapě

Warning

This publication doesn't include Faculty of Education. It includes Faculty of Medicine. Official publication website can be found on muni.cz.
Authors

VALEKOVÁ Hana PUR Jiří SOLÁR Peter HENDRYCH Michal BARÁK Martin JANČÁLEK Radim MARCOŇ Petr MIKULKA Jan STRÁNSKÝ Matyáš ŠIRŮČKOVÁ Kateřina

Year of publication 2022
Type Conference abstract
MU Faculty or unit

Faculty of Medicine

Citation
Description Mezi kruhově se sytící léze mozku (rim enhancing lesions, REL) se řadí zejména nádory – glioblastom, metastáza, hemangioblastom –, ale taky infekční ložiska – absces, tuberkulom, parazitární cysta. Jejich časné rozlišení na základě MRI může být v klinické praxi často výzvou, ale zároveň je velice důležité, jelikož terapeutický postup se u jednotlivých REL zásadně liší. Cílem našeho projektu bylo navrhnout princip, který odliší jednotlivé REL na základě aparentního difuzního koeficientu (apparent diffusion coefficient – ADC), jenž je součástí již většiny konvenčních vyšetření na MRI. ADC je vyjádřením difuzibility molekul vody ve tkáních a tím nepřímo poskytuje informaci o množství buněčných a tkáňových bariér, které difuzi vody brání. Předpokládáme tedy, že ADC mapa je pro jednotlivé REL charakteristická a odráží rozdíly v jejich histologické struktuře. Pro otestování principu jsme si vybrali dva typy REL, u kterých je diferenciální diagnostika vůbec nejčastější a zároveň pro oba je typická restrikce difuze – absces a glioblastom (GBM). Do projektu bylo zařazeno 28 pacientů, 18 s diagnózou glioblastomu a 10 s diagnózou abscesu. U každého byla provedena analýza vstupní diagnostické MRI, konkrétně ADC mapy (zobrazení ADC pro jednotlivé pixely). Analýza probíhala na základě křivek položených v reprezentativním řezu ADC mapy přes REL směrem do periferie, do oblasti perifokálního edému. U každého pacienta bylo položeno 5 křivek, celkem bylo analyzováno 140 křivek. Byly hodnoceny numerické trendy ADC podél křivky a další matematické parametry křivky (strmost poklesu ADC na hranici expanze, strmost nárůstu ADC při přechodu v perifokální edém). Výsledky byly použity jako prediktory pro „machine learning“ algoritmy. V?projektu byly uplatněny dva, a to K-Nearest Neighbour (KNN) a Support Vector Machine (SVM). Zjistili jsme, že na základě těchto prediktorů lze rozlišit absces a GBM s překvapivou přesností – u KNN absces s 90% a GBM se 100% přesností, u SVM absces s 92% a GBM s 94% přesností. Tento princip tedy představuje velice jednoduchou a relativně spolehlivou možnost neinvazivní primární diferenciální diagnostiky u abscesu a GBM. Do budoucna plánujeme otestovat využití stejného principu u dalších typů REL, příp. i jiných mozkových ložisek.
Related projects:

You are running an old browser version. We recommend updating your browser to its latest version.