Myocardial perfusion quatification by magnetic resonance imaging : models and unsupervised classification

Autor: Daviller, Clément
Přispěvatelé: STAR, ABES, Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé (CREATIS), Université Jean Monnet [Saint-Étienne] (UJM)-Hospices Civils de Lyon (HCL)-Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Université de Lyon-Institut National des Sciences Appliquées (INSA)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM), Université de Lyon, Magalie Viallon, Pierre Croisille
Jazyk: francouzština
Rok vydání: 2019
Předmět:
Zdroj: Ingénierie biomédicale. Université de Lyon, 2019. Français. ⟨NNT : 2019LYSE1208⟩
Popis: Cardiovascular diseases and in particular coronary heart disease are the main cause of death worldwide with 17.9 million deaths in 2012. Cardiac MRI is a particularly interesting tool for understanding and evaluating heart disease, including ischemic heart disease. Its diagnostic contribution is often major and it provides information that is not accessible by other imaging modalities. The work carried out during this thesis focuses more specifically on the so-called myocardium perfusion test, which consists in studying the distribution of a contrast agent within the heart muscle during its first passage. In clinical practice, this examination is often limited to the clinician's visual analysis, allowing him to identify the culprit artery and deduce the impacted territory. However, this technique is relative and does not quantify myocardial blood flow. In recent years, an increasing number of techniques have emerged to enable this quantification at all stages of processing, from acquisition to the measurement itself. We first established a treatment pipeline to combine these approaches and evaluate them using a digital phantom and clinical data. We demonstrated that the Bayesian approach is able to quantify myocardium perfusion and its superiority in evaluating the arrival time of the indicator bolus compared to the Fermi model. In addition, the Bayesian approach provides additional interesting information such as the probability density function of the measurement and the uncertainty of the residual function, which makes it possible to know the reliability of the measurement carried out, in particular by observing the distribution of the probability density function of the measurement. Finally, we proposed an algorithm for segmentation of myocardial lesions, using the spatial and temporal dimensions of infusion data. This technique allows an objective and precise segmentation of the hypoperfused region allowing a measurement of myocardial blood flow over an area of tissue which behavior is homogeneous and which average signal measurement allows an increase in the contrast-to-noise ratio. In the cohort of 30 patients, the variability of myocardial blood flow measurements performed on voxels detected by this technique was significantly lower than that of measurements performed on voxels in manually defined areas (mean difference=0.14, 95% CI[0.07, 0.2]) and those performed on voxels in areas defined using the bullseye method (mean difference=0.25, 95% CI[0.17, 0.36])
Les maladies cardiovasculaires et en particulier les maladies coronariennes représentent la principale cause de mortalité mondiale avec 17,9 millions de décès en 2012. L’IRM cardiaque est un outil particulièrement intéressant pour la compréhension et l’évaluation des cardiopathies, notamment ischémiques. Son apport diagnostique est souvent majeur et elle apporte des informations non accessibles par d’autres modalités d’imagerie. Les travaux menés pendant cette thèse portent plus particulièrement sur l’examen dit de perfusion myocardique qui consiste à étudier la distribution d’un agent de contraste au sein du muscle cardiaque lors de son premier passage. En pratique clinique cet examen est souvent limité à la seule analyse visuelle du clinicien qui recherche un hyposignal lui permettant d’identifier l’artère coupable et d’en déduire le territoire impacté. Cependant, cette technique est relative et ne permet pas de quantifier le flux sanguin myocardique. Au cours de ces dernières années, un nombre croissant de techniques sont apparues pour permettre cette quantification et ce à toutes les étapes de traitement, depuis l’acquisition jusqu’à la mesure elle-même. Nous avons dans un premier temps établi un pipeline de traitement afin de combiner ces approches et de les évaluer à l’aide d’un fantôme numérique et à partir de données cliniques. Nous avons pu démontrer que l’approche Bayésienne permettait de quantifier la perfusion cardiaque et sa supériorité à évaluer le délai d’arrivé du bolus d’indicateur par rapport au modèle de Fermi. De plus l’approche Bayésienne apporte en supplément des informations intéressantes telles que la fonction de densité de probabilité de la mesure et l’incertitude sur la fonction résidu qui permettent de connaitre la fiabilité de la mesure effectuée notamment en observant la répartition de la fonction de densité de probabilité de la mesure. Enfin, nous avons proposé un algorithme de segmentation des lésions myocardiques, exploitant les dimensions spatiotemporelles des données de perfusion. Cette technique permet une segmentation objective et précise de la région hypoperfusée permettant une mesure du flux sanguin myocardique sur une zone de tissu dont le comportement est homogène et dont la mesure du signal moyen permet une augmentation du rapport contraste à bruit. Sur la cohorte de 30 patients, la variabilité des mesures du flux sanguin myocardique effectuées sur les voxels détectés par cette technique était significativement inférieure à celle des mesures effectuées sur les voxels des zones définies manuellement (différence moyenne=0.14, 95% CI [0.07, 0.2]) et de celles effectuées sur les voxels des zones définies à partir de la méthode bullseye (différence moyenne =0.25, 95% CI [0.17, 0.36])
Databáze: OpenAIRE
Externí odkaz: