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

English version

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 (A_z) 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 A_z 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 A_z 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.