• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.17.2020.tde-24082020-094901
Document
Auteur
Nom complet
Julio Cesar Nather Junior
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
Ribeirão Preto, 2019
Directeur
Jury
Salmon, Carlos Ernesto Garrido (Président)
Araújo Junior, David
Marques, Vanessa Daccach
Titre en portugais
Detecção automática de lesões novas em exames consecutivos de pacientes com esclerose múltipla
Mots-clés en portugais
Detecção automática de lesões
Esclerose múltipla
Inteligência artificial
Segmentação automática
Volumetria
Resumé en portugais
Embasamento: A Esclerose Múltipla (EM) é uma doença desmielinizante inflamatória restrita ao sistema nervoso central, caracterizada pela ocorrência de inflamação focal com distribuição perivenular. Os critérios diagnósticos da doença foram revisados em 2017, sendo conhecidos como critérios de McDonald e se baseiam nos princípios de dissociação temporal e espacial das lesões. Apesar de ser conhecido que a doença acomete virtualmente qualquer porção do SNC, sendo predominante na substância branca (SB), porém, não exclusiva, envolvendo também córtex e substância cinzenta (SC) profunda. A identificação de recorrência da doença se baseia na identificação de focos macroscópicos de desmielinização, conhecidos como placas. In vivo, o diagnóstico das placas depende da sua identificação em exames de imagem ressonância magnética (MRI). Os pacientes com EM são submetidos a exames de MRI do encéfalo com o intuito de se identificar lesões novas ou aumento do volume total de lesões. A lesão aparece no exame de MRI como uma imagem de hiperintensidade de sinal em sequências T2, que pode ser isolada, medindo mais que 3 a 5 mm, ovaladas, com realce após administração de contraste paramagnético intravenoso na fase aguda. Cronicamente as placas se tornam menos delimitáveis, coalescentes, formando aglomerados dismórficos com predomínio no corpo caloso e região de SB periventricular. A detecção de novas lesões entre dois exames de MRI é critério para a definição de estabilidade ou progressão de doença, bem como o sucesso ou fracasso terapêutico. Em pacientes com alta carga lesional, a detecção de uma nova e pequena lesão não é tarefa trivial para o médico radiologista. Objetivo: Para aumentar a sensibilidade e especificidade do exame é a proposta deste trabalho o desenvolvimento de um algoritmo computacional para volumetria de lesões e comparação entre diferentes tempos de estudo a fim de identificar lesões novas. Casuística e Método: Foram analisadas retrospectivamente as imagens de 99 pacientes com diagnóstico confirmado de Esclerose Múltipla e acompanhados clinicamente no HCFMRP-USP no período de 2013 a 2020 com imagens adquiridas um equipamento de 3T (Philips, Achieva). A imagem volumétrica FLAIR de dois exames consecutivos foram segmentadas e corregistradas. Uma ferramenta para detecção de novas lesões foi implementada, comparando exames prévios e recentes por software de detecção automática de lesões. Resultados: Foi observada uma sensibilidade de 95% e especificidade de 31%. Somente houve um falso negativo entre os 99 exames avaliados. Conclusão: o algoritmo desenvolvido foi considerado efetivo, com alta sensibilidade e funcionando de forma totalmente automática. A prática diária demonstrou que houve um auxílio real na rotina de avaliação dos exames, aumentando a rapidez e confiabilidade da avaliação. A baixa especificidade não compromete a eficiência, sendo os falsos positivos rapidamente descartados pelo médico radiologista.
Titre en anglais
Automatic detection of new injuries in consecutive examinations of patients with multiple sclerosis
Mots-clés en anglais
Artificial intelligence
Automatic lesion detection
Automatic segmentation
Multiple sclerosis
Volumetry
Resumé en anglais
Background: Multiple Sclerosis (MS) is an inflammatory demyelinating disease restricted to the central nervous system, characterized by the occurrence of focal inflammation with perivenular distribution. The diagnostic criteria for the disease were revised in 2017, known as McDonald's criteria and are based on the principles of temporal and spatial dissociation of injuries. Although it is known that the disease affects virtually any portion of the CNS, being predominant in white matter (SB), however, not exclusive, also involving cortex and deep gray matter (SC). The identification of disease recurrence is based on the identification of macroscopic foci of demyelination, known as plaques. In vivo, the diagnosis of plaques depends on their identification in magnetic resonance imaging (MRI) exams. Patients with MS are submitted to brain MRI exams in order to identify new lesions or increase the total lesion volume. The lesion appears on the MRI exam as an image of signal hyperintensity in T2 sequences, which can be isolated, measuring more than 3 to 5 mm, oval, with enhancement after intravenous paramagnetic contrast in the acute phase. Chronically, the plaques become less delimitable, coalescent, forming dysmorphic clusters with predominance in the corpus callosum and periventricular SB region. The detection of new lesions between two MRI exams is a criterion for defining disease stability or progression, as well as therapeutic success or failure. In patients with a high lesion load, the detection of a new and small lesion is not a trivial task for the radiologist. Objective: To increase the sensitivity and specificity of the exam, the purpose of this work is to develop a computational algorithm for lesion volumetry and to compare different study times in order to identify new lesions. Casuistic and Method: The images of 99 patients with confirmed diagnosis of Multiple Sclerosis were retrospectively analyzed and followed up clinically at HCFMRP-USP in the period from 2013 to 2020 with images acquired from a 3T equipment (Philips, Achieva). The volumetric FLAIR image of two consecutive exams was segmented and registered. A tool for detecting new injuries was implemented, comparing previous and recent exams using automatic injury detection software. Results: A sensitivity of 95% and specificity of 31% were observed. There was only one false negative among the 99 tests evaluated. Conclusion: the developed algorithm was considered effective, with high sensitivity and working in a fully automatic way. Daily practice demonstrated that there was a real help in the routine of exam assessment, increasing the speed and reliability of the assessment. Low specificity does not compromise efficiency, and false positives are quickly discarded by the radiologist.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2020-10-21
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2024. Tous droits réservés.