#PAGE_PARAMS# #ADS_HEAD_SCRIPTS# #MICRODATA#

Kvantitativní analýza MRI textury pro rozlišení enhancujících a neenhancujících T1 hypointenzních lézí bez podání kontrastní látky u roztroušené sklerózy


Autoři: A. A. Ardakani 1;  S. M. Nabavi 2;  A. Farzan 3;  B. K. Najafabad 1
Působiště autorů: Department of Medical Physics, School of Medicine, Iran University of Medical Sciences, Tehran, Iran 1;  Neurology Group, Regenerative Medicine Department, Stem Cell Biology and Technology, Center for Neuroscience and Cognition, Royan Institute, Tehran, Iran 2;  Department of Neurosurgery, School of Medicine, Shahed University, Tehran, Iran 3
Vyšlo v časopise: Cesk Slov Neurol N 2017; 80(6): 700-707
Kategorie: Původní práce
doi: https://doi.org/10.14735/amcsnn2017700

Souhrn

Cíle:
Cílem této studie bylo zhodnotit analýzu textury (AT) na snímcích MR před podáním kontrastní látky z hlediska zlepšení přesnosti a rozlišení jemných rozdílů mezi enhancujícími lézemi (EL), neenhancujícími lézemi (NEL) a perzistentními černými dírami (persistant black holes; PBH).

Materiál a metodika:
Databáze zobrazení MR zahrnovala 90 pacientů, z nichž 30 mělo pouze PBH, 25 mělo pouze EL a 35 nemělo ani EL ani PBH. Tato zobrazení byla zhodnocena pomocí navrhované metody AT. Bylo extrahováno na 300 statistických texturních znaků jako deskriptorů každého ROI/ léze. Byly analyzovány rozdíly mezi skupinami lézí a byla změřena plocha pod křivkou (Az) pro každý významný texturní znak. K analýze signifikantních znaků a ke zvýšení síly odlišení byla použita lineární diskriminantní analýza (LDA).

Výsledky:
Nejméně 14 texturních znaků prokázalo významný rozdíl mezi NEL a EL, NEL a PBH a EL a PBH. Při použití všech významných znaků naznačila LDA slibnou schopnost klasifikace NEL a PBH s hodnotou Az 0,975, která odpovídá senzitivitě 94,3 %, specificitě 96,3 % a přesnosti 95,5 %. U klasifikace EL a NEL (nebo PBH) prokázala LDA diskriminační výkon odpovídající senzitivitě, specificitě a přesnosti 100 % a Az 1.

Závěry:
AT byla vyhodnocena jako spolehlivá metoda s potenciálem charakterizovat NEL, EL a PBH a jako metoda, kterou mohou lékaři použít k rozlišení NEL, EL a PBH na snímcích MR před podáním kontrastní látky.

Klíčová slova:
kontrastní média – diagnóza – magnetická rezonance – roztroušená skleróza – neurogenní zánět – rozlišování vzorců

Autoři deklarují, že v souvislosti s předmětem studie nemají žádné komerční zájmy.

Redakční rada potvrzuje, že rukopis práce splnil ICMJE kritéria pro publikace zasílané do biomedicínských časopisů.


Zdroje

1. Compston A, Coles A. Multiple sclerosis. Lancet 2002;359(9313):1221– 31. doi: 10.1016/ S0140-6736(02) 08220-X.

2. Young I, Hall A, Pal­lis C, et al. Nuclear magnetic resonance imag­­ing of the brain in multiple sclerosis. The Lancet 1981;318(8255):1063– 6.

3. Thompson A, Montalban X, Barkhof F, et al. Dia­gnostic criteria for primary progres­sive multiple sclerosis: a position paper. Ann Neurol 2000;47(6):831– 5.

4. Sahraian MA, Eshaghi A. Role of MRI in dia­gnosis and treatment of multiple sclerosis. Clin Neurol Neurosurg 2010;112(7):609– 15. doi: 10.1016/ j.clineuro.2010.03.022

5. Rovira À, Auger C, Alonso J. Magnetic resonance monitor­­ing of lesion evolution in multiple sclerosis. Therapeutic advances in neurological disorders 2013;6(5):298– 310. doi: 10.1177/ 1756285613484079.

6. Zivadinov R, Bakshi R. Role of MRI in multiple sclerosis II: brain and spinal cord atrophy. Front Biosci 2004;9:647– 64. doi: 10.2741/ 1262.

7. Filippi M, Rovaris M, Rocca M, et al. Glatiramer acetate reduces the proportion of new MS lesions evolv­­ing into “black holes”. Neurology 2001;57(4):731– 3. doi: 10.1212/ WNL.57.4.731.

8. Sahraian M, Radue EW, Hal­ler S, et al. Black holes in multiple sclerosis: definition, evolution, and clinical cor­relations. Acta Neurol Scand 2010;122(1):1– 8. doi: 10.1111/ j.1600-0404.2009.01221.x.

9. Tam R, Traboulsee A, Riddehough A, et al. The impact of intensity variations in T1-hypointense lesions on clin­ical cor­relations in multiple sclerosis. Multiple Sclerosis Journal 2011;17(8):949– 57. doi: 10.1177/ 1352458511402113.

10. van Waesberghe J, Kamphorst W, De Groot CJ, et al. Axonal loss in multiple sclerosis lesions: magnetic res­onance imag­­ing insights into substrates of disability. Ann Neurol 1999;46(5):747– 54.

11. Ardakani AA, Gharbali A, Saniei Y, et al. Application of texture analysis in dia­gnosis of multiple sclerosis by magnetic resonance imaging. Glob J Health Sci 2015;7(6):68– 78. doi: 10.5539/ gjhs.v7n6p68.

12. Materka A. Texture analysis methodologies for magnetic resonance imaging. Dialogues Clin Neurosci 2004;6(2):243– 50.

13. Materka A, Strzelecki M. Texture analysis methods – A review. Brus­sels: Technical University of Lodz 1998.

14. Fazekas F, Barkhof F, Filippi M, et al. The contribution of magnetic resonance imag­­ing to the dia­gnosis of multiple sclerosis. Neurology 1999;53(3): 448– 56. doi: 10.1212/ WNL.53.3.448.

15. Zhang J, Tong L, Wang L, et al. Texture analysis of multiple sclerosis: a comparative study. Magn Reson Imag­­ing 2008;26(8):1160– 6. doi: 10.1016/ j.mri.2008.01.016.

16. Har­rison LC, Raunio M, Hol­li KK, et al. MRI texture analysis in multiple sclerosis: toward a clinical analysis protocol. Acad Radiol 2010;17(6):696– 707. doi: 10.1016/ j.acra.2010.01.005.

17. Loizou CP, Mur­ray V, Pattichis MS, et al. Multiscale amplitude-modulation frequency-modulation (AM– FM) texture analysis of multiple sclerosis in brain MRI images. IEEE Trans Inf Technol Biomed 2015;15(1):119– 29. doi: 10.1109/ TITB.2010.2091279.

18. Michoux N, Guil­let A, Rom­mel D, et al. Texture Analy­sis of T2-Weighted MR Images to As­sess Acute Inflam­mation in Brain MS Lesions. PloS one 2015;10(12):e0145497. doi: 10.1371/ journal.pone.0145497.

19. Verma RK, Slotboom J, Heldner MR, et al. Characterization of microcirculation in multiple sclerosis lesions by dynamic texture parameter analysis (DTPA). PloS one 2013;8(7):e67610.doi: 10.1371/ journal.pone.0067610.

20. Verma RK, Slotboom J, Locher C, et al. Characterization of Enhanc­­ing MS Lesions by Dynamic Texture Parameter Analysis of Dynamic Susceptibility Perfusion Im­aging. Biomed Res Intl 2016. doi: 10.1155/ 2016/ 9578139.

21. Yu O, Mauss Y, Zol­lner G, et al. Distinct patterns of active and non-active plaques us­­ing texture analysis on brain NMR images in multiple sclerosis patients: preliminary results. Magn Reson Imag­­ing 1999;17(9):1261– 7. doi: 10.1016/ S0730-725X(99)00062-4.

22. Zhang Y, Traboulsee A, Zhao Y, et al. Texture analy­sis dif­ferentiates persistent and transient T1 black holes at acute onset in multiple sclerosis: a preliminary study. Mult Scler 2011;17(5):532– 40. doi: 10.1177/ 135245 8510395981.

23. Texture analysis of MR images of minocycline treat­ed MS patients. International Conference on Medical Image Comput­­ing and Computer-As­sisted Inter-vention; 2003. Springer. doi: 10.1007/ 978-3-540-39899-8.

24. Zhang Y, Moore G, Laule C, et al. Pathological cor­relates of magnetic resonance imag­­ing texture heterogeneity in multiple sclerosis. Ann Neurol 2013;74(1):91– 9. doi: 10.1002/ ana.23867.

25. Polman CH, Reingold SC, Banwell B, et al. Dia­g­nostic criteria for multiple sclerosis: 2010 revisions to the McDonald criteria. Ann Neurol 2011;69(2):292– 302. doi: 10.1002/ ana.22366.

26. Ben-Zacharia A. The Ef­fect of Modifiable Risk Factors on Multiple Sclerosis Progres­sion (P1.387). Neurology 2016;86(16 Suppl):P1. 387.

27. Bitsch A, Bruck W. MRI-pathological cor­relates in MS. International MS Journal 2002;8(3):88– 95

28. Castel­lano G, Bonilha L, Li LM, et al. Texture analysis of medical images. Clin Radiol 2004;59(12):1061– 9. doi: 10.1016/ j.crad.2004.07.008.

29. Van Erkel AR, Pattynama PMT. Receiver operat­­ing characteristic (ROC) analysis: basic principles and applications in radiology. Eur J Radiol 1998;27(2):88– 94. doi: 10.1016/ S0720-048X(97)00157-5.

30. Blystad I, Håkans­son I, Tisell A, et al. Quantitative MRI for Analysis of Active Multiple Sclerosis Lesions with­out Gadolinium-Based Contrast Agent. Am J Neuroradiol 2016;37(1):94– 100. doi: 10.3174/ ajnr.A4501.

31. Rovira À, Wattjes MP, Tintoré M, et al. Evidence-based guidelines: MAGNIMS consensus guidelines on the use of MRI in multiple sclerosis [mdash] clinical implementation in the dia­gnostic proces­s. Nat Rev Neurol 2015; 11(8):471– 82. doi: 10.1038/ nrneurol.2015.106.

32. Abdoli M, Chakraborty S, MacLean HJ, et al. The evaluation of MRI dif­fusion values of active demyelinat­­ing lesions in multiple sclerosis. Mult Scler Relat Disord 2016;10:97– 102. doi: 10.1016/ j.msard.2016.09.006.

33. Faizy TD, Thaler C, Kumar D, et al. Heterogeneity of Multiple Sclerosis Lesions in Multislice Myelin Water Imaging. PLoS One 2016;11(3):e0151496. doi: 10.1371/ journal.pone.0151496.

34. Srinivasan R, Sailasuta N, Hurd R, et al. Evidence of elevated glutamate in multiple sclerosis us­­ing magnetic resonance spectroscopy at 3 T. Brain 2005;128(5):1016– 25. doi: 10.1093/ brain/ awh467.

35. Stagg C, Rothman DL. Magnetic resonance spectro­scopy: tools for neuroscience research and emerg­­ing clin­ical applications. Cambridge, Mas­sachusetts: Academic Press 2013.

36. Radbruch A, Weberl­­ing L, Kieslich P, et al. Gadolinium retention in the dentate nucleus and globus pal­lidus is dependent on the class of contrast agent. Radiology 2015;275(3):783– 91. doi: 10.1148/ radiol.2015150337

37. Conte G, Preda L, Cocorocchio E, et al. Signal intensity change on unenhanced T1-weighted images in dentate nucleus and globus pal­lidus after multiple administrations of gadoxetate disodium: an intraindividual comparative study. Eur Radiol 2017:1– 7 doi: 10.1007/ s00330-017-4810-3.

38. Stojanov D, Aracki-Trenkic A, Vojinovic S, et al. Increas­­ing signal intensity within the dentate nucleus and globus pal­lidus on unenhanced T1W magnetic resonance images in patients with relapsing-remitt­­ing multiple sclerosis: cor­relation with cumulative dose of a macrocyclic gadolinium-based contrast agent, gadobutrol. Eur Radiol 2016;26(3):807– 15. doi: 10.1007/ s00330-015-3879-9.

39. Food U, Administration D. FDA drug safety com­munication: FDA evaluat­­ing the risk of brain deposits with repeated use of gadolinium-based contrast agents for magnetic resonance imag­ing (MRI), 2015.

Štítky
Dětská neurologie Neurochirurgie Neurologie

Článek vyšel v časopise

Česká a slovenská neurologie a neurochirurgie

Číslo 6

2017 Číslo 6

Nejčtenější v tomto čísle
Přihlášení
Zapomenuté heslo

Zadejte e-mailovou adresu, se kterou jste vytvářel(a) účet, budou Vám na ni zaslány informace k nastavení nového hesla.

Přihlášení

Nemáte účet?  Registrujte se

#ADS_BOTTOM_SCRIPTS#