Detección automática de la función de entrada arterial mediante análisis de componentes independientes en estudios de perfusión cerebral por resonancia magnética

Abstract

[ES] La Función de Entrada Arterial es una variable fundamental para el Modelo Compartimental Estándar que describe la relación de la intensidad en un píxel de un tejido con las componentes intra y extra vasculares que forman parte del tejido. La obtención de ésta función permite el cálculo de parámetros relacionados con el flujo de sangre en el tejido que son usados como marcadores subrogados de diferentes funciones tisulares. Al correlacionar las variaciones de éstos parámetros con otras pruebas clínicas se puede determinar el estado de salud del órgano en concreto. Sin embargo, la práctica clínica actual se basa en la selección manual del píxel de una arteria y su evaluación visual, por lo que el método es altamente susceptible a la habilidad y experiencia del radiólogo y al ser un método cualitativo se corre el riesgo de no utilizar toda la información contenida en las curvas de contraste. El Análisis de Componentes Independientes (ICA, por sus siglas en inglés) es un método de separación de fuentes no observables a partir de una serie de muestras que se asume son la combinación lineal de las componentes originales. El método de separación se realiza sin información previa de las fuentes o del proceso de mezcla de las mismas. El objetivo final de ICA es obtener las componentes fundamentales que forman un conjunto de datos, de tal forma que la independencia entre las componentes sea máxima. El objetivo de este Trabajo de Fin de Máster es el desarrollo una herramienta-software que permita la detección automática de la Función de Entrada Arterial mediante el Análisis de Componentes Independientes de imágenes de perfusión cerebral adquiridas mediante resonancia magnética.

[EN] The Arterial Input Function is a fundamental variable for the Standard Compartimental Model which describes the relationship between tissue pixel intensity with its intra and extra vascular components. The attainment of this function allows the computation of tissue blood flow related parameters which are used as subrogated marker of different tissue functions, by correlating variations on this parameters with other clinic test it is possible to determine the organ health status. However, current clinical practice is based on the manual selection of an artery¿s pixel and its visual evaluation; therefore the method is highly susceptible to the radiologist skill and expertise and since it¿s a qualitative method there is a risk of not using all the information contained in the contrast curves. Independent Component Analysis (ICA) is a method for separation of not observable sources from a series of samples which are assumed to be the lineal combination of its original components. The separation method is performed without previous information of the sources or their mixing process. The final goal of ICA is to obtain the fundamental components that form a dataset, in a way that the independence among the components is maximum. The goal of this Master Final Project is the development of a software tool that would allow the automatic detection of the Arterial Input Function by means of the Independent Component Analysis of cerebral perfusion images adquired by magnetic resonance.