Pokročilá analýza MR obrazu míchy

Mgr. Ing. Marek Dostál, Ph.D.

Doctoral thesis

Advanced analyses MR image of the spine

Abstract:

Úvod: Zobrazování tenzoru difuze (DTI) krční míchy pomocí magnetické rezonance (MR) se ukazuje být přínosem k diagnostice různých onemocnění. Analýza difuzních dat v této anatomické oblasti je obtížná, a proto jedním z cílů této práce bylo představit nový přístup pro analýzu difuzních parametrů jednotlivých tkání krční míchy (bílé (WM) a šedé (GM) hmoty) založený na registraci anatomických a difuzních dat a na segmentaci tkání pomocí metody strojového učení (CLASS). Metody: Do studie bylo zařazeno 20 zdravých dobrovolníků (16 žen a 4 muži) ve věku od 23 do 40 let (průměr 28 let a standardní odchylka 4,6 let), jejichž MR data byla analyzována třemi hodnotiteli pomocí 2 automatizovaných metod (CLASS a Spinal Cord Toolbox (SCT)) a manuální metody, která představovala zlatý standard, vůči kterému byly automatizované metody srovnávány. Byla hodnocena shoda metod v rámci jednoho hodnotitele, mezi různými hodnotiteli, reprodukovatelnost analýzy a vliv metody a hodnotitele na výslednou hodnotu difuzního parametru. Byly použity Diceho koeficient (DCE), Hausdorffova vzdálenost (HD), koeficient variace (CoV), Studentův t-test a analýzy rozptylu (ANOVA). Výsledky: Shoda CLASS s manuální metodou v rámci stejného hodnotitele dosahovala statisticky významnější přesnosti než SCT metoda (ANOVA, p < 0,05) pro většinu tkání a hodnotitelů. CLASS metoda vykazovala výrazně menší odchylky HD napříč jednotlivými subjekty při analýze celé míchy a WM než SCT. SCT metoda dosahovala ve většině případů lepší konzistence v rámci různých hodnotitelů než zbylé metody a CLASS obdobné konzistence jako manuální metoda. Reprodukovatelnost jednotlivých metod byla obdobná, vyjma analýzy GM, kdy CLASS metoda v jednom případě vykazovala menší reprodukovatelnost. Nebyl prokázán statisticky významný vliv hodnotitele na výsledné hodnoty difuzních parametrů, ale byl prokázán rozdíl v hodnotách mezi manuální metodou a oběma automatizovanými (ANOVA, p < 0,05). SCT metoda dosahovala nižších hodnot CoV v rámci reprodukovatelnosti hodnot difuzních parametrů (~0,1 %) oproti CLASS a manuální (~1,5 %). Doba celkové analýzy jednoho subjektu metodou CLASS nebyla odlišená od SCT metody, jejíž průměrná doba trvání byla 645 s, respektive 636 s. Závěr: CLASS metoda založená na strojovém učení dosahuje srovnatelných a lepších výsledků vůči manuální metodě a srovnatelných výsledků oproti atlasově založené SCT metodě. Ovšem její použití je intuitivnější a nabízí možnost okamžité kontroly a korekce segmentačního procesu, nicméně je uživatelsky náročnější než SCT. CLASS metoda je použitelná pro analýzu difuzních parametrů krční míchy.

Abstract:

Background: Diffusion tensor imaging (DTI) of cervical spine showed to be beneficial for diagnosis of different involvements. Diffusion data analysis is difficult in this area thus one of the goals of this thesis was introduced a new analytic method for analysing diffusion parameters for each tissues of cervical spine (white (WM) and grey (GM) matter) which was based on the supervised machine learning principals (CLASS). Methods: This study included 20 healthy volunteers (16 women and 4 men) in age between 23 and 40 years (mean 28 years and standard deviation 4.6 years). Data were analysed by 3 raters used 2 automatic methods (CLASS and Spinal Cord Toolbox (SCT)) and manual method which was set as golden standard for evaluation of automatic methods. Method agreement was evaluated in term of one rater, different raters, repeatability and impact of method or rater to diffusion parameter value. Dice’s coefficient (DCE), Hausdorff’s distance (HD), coefficient of variation (CoV), Student’s t-test and analysis of variance (ANOVA) were used. Results: Agreement between CLASS and manual methods in case of one rater reached statistically higher accuracy than SCT method (ANOVA, p < 0.05) for most tissues and raters. CLASS reflected less variation of HD across individual subjects in case of whole spine and WM analysis. SCT mostly reached better consistency in term of different raters and CLASS similar like manual method. Repeatability was comparable for all methods and tissues except GM when CLASS method achieved worse result in one case. Statistical significant impact of rater on values of diffusion parameters was not proved (ANOVA, p > 0.05). Nonetheless there exist changes of diffusion parameter value between manual and both automatic methods (ANOVA, p < 0.05). SCT achieved lower CoV in case of repeatability diffusion parameters (~0.1 %) in comparison with CLASS and manual methods (~1.5 %). Duration of subjects analysis by CLASS method was not other than SCT whose average time were 645 s and 636 respectively. Conclusions: CLASS which is based on supervised machine learning reached comparable and better results in comparison with manual method and equivalent with SCT atlas based method. Nonetheless its application is more intuitive it offers control and correction segmentation process immediately, however it could be more laborious than SCT method. CLASS method is useable for analysing diffusion parameters of cervical spine.

Keywords

Krční mícha, zobrazování tenzoru difuze, analýza dat, segmentace obrazu, ITK-SNAP, Spinal Cord Toolbox, Cervical Spine, diffusion tensor imaging, data analysis, image segmentation

Language used: Czech

Date on which the thesis was submitted / produced: 18. 10. 2019

Thesis defence

• Date of defence: 10. 2. 2020
• Supervisor: prof. RNDr. Vojtěch Mornstein, CSc.
• Reader: doc. MUDr. Marek Mechl, Ph.D., doc. Ing. Jan Mikulka, Ph.D.

Masaryk University

Faculty of Medicine

Doctoral programme / field:
Imaging Methods and Medical Physics / Medical Physics