Diseño y desarrollo de un algoritmo de segmentación automática de vasos sanguíneos cerebrales sanos en pacientes con glioblastoma basándose en imágenes de resonancia magnética multimodales

Abstract

[ES] El glioblastoma multiforme (GBM) afecta anualmente a 1 de cada 33.000 personas, aproximadamente, representando un 47 % de todos los casos de tumores cerebrales malignos. Este tipo de tumores se caracteriza por su agresividad, su rápida proliferación, heterogeneidad y alta angiogénesis. Todas estas cualidades hacen del glioblastoma una patología muy difícil de tratar y diagnosticar de forma precisa. Es por ello por lo que el presente TFG pretende aborda el desarrollo de un sistema de segmentación automática, a partir de imágenes de Resonancia Magnética (RM) funcionales, como la perfusión (Perfusion Weighted Image, PWI), que permita discriminar correctamente los vasos sanos de aquellos formados durante la angiogénesis tumoral, ya que estos son los encargados de nutrir al tumor favoreciendo su crecimiento. Una correcta diferenciación permitiría reducir la subjetividad a la hora de determinar el estadío de dicha neoplasia por parte de los médicos especialistas. Para la realización de este sistema, se recurre a distintas técnicas de segmentación automática basadas en clusterización. En primer lugar, se lleva a cabo la eliminación de tejidos potencialmente patológicos, con el fin de que no afecten a la segmentación final, a partir de las imágenes MTT y DSC. Tras ello se realiza una clasificación automática multiparamétrica utilizando métodos de segmentación no supervisados, como K-means, con el fin de extraer aquellos vóxels que tienen más probabilidad de ser vasos, para posteriormente refinar esta clasificación utilizando parámetros derivados de las curvas de concentración de contraste. Este proceso se aplica a un caso de la base de datos IvyGAP , que contiene diversas modalidades de imagen de RM con GBM: secuencias anatómicas potenciadas en T1, T1 con inyeccion de contraste , T2, con y sin Atenuación de FLuidos por Inversión Recuperación (FLAIR) e imágenes funcionales como PWI. Finalmente, los resultados obtenidos a partir de estos datos son comparados con un mapa probabilístico de aparición de vasos, con el fin de aportar información relevante a este campo, para en un futuro desarrollar nuevas líneas de investigación.

[CA] El glioblastoma multiforme (GBM) afecta anualment a 1 de cada 33.000 persones, aproximadament, representant un 47% de tots els casos de tumors cerebrals malignes. Aquest tipus de tumors es caracteritza per la seua agressivitat, la seua ràpida proliferació, heterogeneïtat i alta angiogénesis. Totes aquestes qualitats fan del glioblastoma una patologia molt difícil de tractar i diagnosticar de forma precisa. És per això que el present TFG pretén aborda el desenvolupament d'un sistema de segmentació automàtica, a partir d'imatges de Ressonància Magnètica funcionals (RM), com la perfusió (Perfusion Weighted Image, PWI), que permeta discriminar correctament els vasos sans d'aquells formats durant la angiogénesis tumoral, ja que aquests són els encarregats de nodrir al tumor afavorint el seu creixement. Una correcta diferenciació permetria reduir la subjectivitat a l'hora de determinar el estadío d'aquesta neoplàsia per part dels metges especialistes. Per a la realització d'aquest sistema, son empleades diferents tècniques de segmentació automàtica basades en clusterització. En primer lloc, es duu a terme l'eliminació de teixits potencialment patològics, amb la finalitat que no afecten la segmentació final, a partir de les imatges MTT i DSC. Després d'això es realitza una classificació automàtica multiparamétrica utilitzant mètodes de segmentació no supervisats, com K-means, amb la finalitat d'extraure aquells vóxels que tenen més probabilitat de ser vasos, per a posteriorment refinar aquesta classificació utilitzant paràmetres derivats de la corbes de concentració de contrast. Aquest procés s'aplica a un cas de la base de dades IvyGAP , que conté diverses modalitats d'imatge de RM amb GBM: seqüències anatòmiques potenciades en T1, T1 amb injecció de contrast , T2, amb i sense Atenuació de Fluids per Inversió Recuperació (FLAIR) i imatges funcionals com PWI. Finalment els resultats obtinguts a partir d'aquestes dades són comparats amb un mapa probabilístic d'aparició de vasos, amb la finalitat d'aportar informació rellevant a aquest camp, per a desenvolupar noves línies d'investigació en un futur.

[EN] Glioblastoma multiforme (GBM) affects approximately 1 in every 33,000 people per year, representing 47% of all cases of malignant brain tumors. This type of tumors is characterized by its aggressiveness, its rapid proliferation, heterogeneity and high angiogenesis. All these qualities make glioblastoma a pathology very difficult to treat and diagnose accurately. That is why the present TFG aims to address the development of an automatic segmentation system, from functional Magnetic Resonance images, such as perfusion (PWI), which allows to correctly discriminate healthy vessels from those formed during tumor angiogenesis , since these are responsible for nourishing the tumor, favoring its growth. A correct division would reduce the subjectivity when determining the stage of said neoplasm by the medical specialists. For the realization of this system, different automatic segmentation techniques based on clustering are used. Firstly, those tissues that are potentially pathological are eliminated, so they do not affect the final segmentation. After this, a multiparameter automatic classification is performed using unsupervised segmentation methods, such as K-means, in order to extract those voxels that are more likely to be vessels. Later this classification is refined based on parameters derived from the contrast concentration curves. This process applies to a case of the IvyGAP database, which contains various modalities of MR imaging with GBM, which include anatomical sequences enhanced in T1, T1 with contrast injection, T2, with and without Fluids Attenuation by Inversion Recovery (FLAIR ) and functional images like PWI. Finally, the results obtained from these data are compared with a vessels probabilistic map, in order to provide relevant information to this field in the future and develop new lines of research.