Computer-aided diagnosis of ischemia and infarction for the treatment of acute ischemic stroke
Artificiële intelligentie om het menselijk brein te redden
Stel dat u plots niet meer uit uw woorden komt, alles wazig wordt en u uw evenwicht niet meer kan behouden. Van de ene dag op de andere bent u uw onafhankelijkheid kwijt en moet u voor veel dingen terug vanaf nul beginnen. Een beroerte kan zich op verschillende manieren uiten, maar heeft altijd een drastische impact op het leven van alle betrokkenen. Wereldwijd overkomt dit 15 miljoen mensen per jaar. Iedereen kan erdoor getroffen worden, ongeacht leeftijd of geslacht. Een beroerte is een plotse aandoening waarbij de bloedtoevoer naar de hersenen wordt verstoord en kan al binnen enkele minuten leiden tot onherstelbare hersenschade. Het is dan ook van zeer groot belang dat de doorbloeding van de hersenen zo snel mogelijk wordt hersteld. Dat is waar dit onderzoek toe heeft bijgedragen.
Wanneer elke seconde telt
Iedereen hoopt wel op een goede gezondheid. We wensen het elkaar geregeld toe en het is een jaarlijks wederkerend thema in de nieuwjaarsvoornemens. Soms loopt het echter anders af en is een goede gezondheid niet meer vanzelfsprekend. Een beroerte is één van de aandoeningen die gelijk wie kan overkomen en een drastische impact heeft op de levenskwaliteit. In de behandeling is tijd essentieel en het is dus altijd een medisch noodgeval. Wanneer er niet genoeg bloed naar een bepaald deel van de hersenen stroomt, ontstaan er hier twee zones: de infarctzone met daarrond de penumbra. In de infarctzone zijn de hersencellen zodanig beschadigd dat deze niet meer kunnen herstellen. Hier is er dus permanente hersenschade. In de penumbra is er te weinig bloedtoevoer, maar indien de klonter op tijd kan worden verwijderd en er dus terug bloed kan stromen, wordt deze regio opnieuw gezond. Echter, de cellen in de penumbra takelen hoe langer hoe meer af en worden uiteindelijk ook deel van de infarctzone. Concreet betekent dit dat hoe sneller iemand met een beroerte kan behandeld worden, hoe meer kans op een gunstigere uitkomst. Daarom is het opmerkelijk dat vandaag de dag de behandeling nog steeds enkel in gespecialiseerde centra kan worden uitgevoerd en de patiënt niet simpelweg naar het dichtstbijzijnde ziekenhuis kan worden overgebracht.
Waarom kan een beroerte niet in elk ziekenhuis worden behandeld?
Er zijn twee belangrijke redenen waarom een beroerte niet overal kan worden behandeld. In de eerste plaats moeten er scans van de hersenen worden gemaakt die duidelijk de bloedsomloop weergeven. Het nemen van deze scans kan echter niet zomaar met gelijk welk toestel vermits er op enkele seconden tijd 20 scans moeten genomen worden. Vanuit deze scans worden nieuwe beelden, parametrische mappen, afgeleid die extra informatie geven in verband met de doorbloeding van de hersenen. Een voorbeeld is gegeven in onderstaande afbeelding. Een getrainde dokter kan hieruit opmaken waar het probleem zich bevindt en een inschatting maken van de ernst. Hierop baseert het medisch team zich om een beslissing te nemen over de behandeling. Deze interpretatie is echter complex en meteen een tweede reden waarom niet elk ziekenhuis in staat is een beroerte te behandelen.
Artificiële intelligentie: een nieuwe kijk op de behandeling
U vraagt zich misschien af of hier met de technologie van vandaag geen oplossingen voor bestaan. Dit is exact wat er in dit werk is onderzocht. In de eerste plaats werd de complexe afleiding en interpretatie van de parametrische mappen aangepakt. Na verschillende experimenten werd duidelijk dat deze stap kan worden vervangen. Met behulp van machinaal leren, een domein binnen artificiële intelligentie, kunnen er beelden worden afgeleid die een duidelijke omlijning geven van de infarctzone en de penumbra. Hiervoor is geen interpretatie meer nodig vermits het probleem zelf wordt weergegeven in plaats van parameters die het probleem karakteriseren.
Het machinaal leren bestaat erin een computermodel te trainen om de uitkomst te voorspellen. Door verschillende beelden in het model in te geven, samen met de omlijning van infarctzone en penumbra, wordt het model getraind om de relatie te begrijpen tussen wat er op de scans te zien is en de ernst en locatie van de verminderde bloedsomloop. Het model gaat dus leren hoe een infarctzone en een penumbra eruitzien. Op die manier kan het, wanneer er beelden van een nieuwe patiënt worden aangereikt, de locatie en het uitzicht van beide zones voorspellen. Een deel van het werk van de dokter wordt dus overgenomen door de computer. Alleen kan deze een inschatting maken die nauwkeuriger en objectiever is. Belangrijk is wel dat de dokter niet wordt vervangen door een computermodel, maar er juist wordt door bijgestaan. Het beslissen over de gepaste behandeling en de uitvoering ervan zijn nog steeds in handen van een medisch expert.
Dankzij deze nieuwe methode werd ook meteen het tweede struikelblok, de 20 scans, aangepakt. Het bleek mogelijk om het aantal scans te verminderen zonder te moeten inleveren op kwaliteit. Met de gegevens die in deze experimenten werden gebruikt, konden 12 scans, en in sommige gevallen zelfs 10 scans, nog voldoende informatie geven om dezelfde nauwkeurigheid te bekomen.
Nog niet voor morgen
Helaas kan dit niet onmiddellijk in de praktijk worden gebracht. Het onderzoek werd gevoerd binnen de limieten van een master thesis. Door beperkingen qua beschikbare data en tijd, is er eerst nog verder onderzoek nodig voordat dit werkelijk kan worden omgezet in een nieuw softwareprogramma voor ziekenhuizen. Dit onderzoek heeft wel de eerste grondslagen gelegd in deze richting.
Wel voor de toekomst?
De snelheid waarmee iemand met een beroerte kan worden behandeld, is van zeer groot belang. Het zou dan ook opportuun zijn de behandeling te kunnen uitbreiden van gespecialiseerde centra naar gelijk welk ziekenhuis. In dit werk is het potentieel aangetoond van een computermodel dat de dokter ondersteunt in het maken van de beslissingen voor de behandeling en dat toelaat het aantal scans te verminderen. Beide zouden ervoor kunnen zorgen dat niet enkel instellingen met een beroerteafdeling deze patiënten kunnen aannemen. Hopelijk kan dit worden verdergezet zodat mensen na een beroerte een beter kans krijgen op een goede levenskwaliteit.
L. Saver. Time is brain - Quantified. Stroke, 37(1):263{266, 2006. ISSN 00392499. doi: 10.1161/01.STR.0000196957.55928.ab.
David S. Liebeskind. Collateral circulation, 2003. ISSN 00392499.
J.E. Delgado Almandoz, P. W. Schaefer, N. P. Forero, J. R. Falla, R. G. Gonzalez, and J. M. Romero. Diagnostic accuracy and yield of multidetector CT angiography in the evaluation of spontaneous intraparenchymal cerebral hemorrhage. American Journal of Neuroradiology, 30(6):1213{1221, 2009. ISSN 01956108. doi: 10.3174/ajnr.A1546.
Z. Zaheer, T. Robinson, and A.K. Mistri. Thrombolysis in acute ischaemic stroke: an update. Therapeutic Advances in Chronic Disease, 2(2):119{131, 2011. ISSN 2040-6223. doi: 10.1177/2040622310394032
S.A. El Tawil and K.W. Muir B. Cme Cerebrovascular Disease. Clinical Medicine, 17(2):161{5, 2017. ISSN 10989064. doi: 10.1055/s-0036-1585078.
W.L. Bi, P. Brown, M. Abolfotoh, O. Al-mefty, S.M. Jr, and I.F. Dunn. Utility of dynamic computed tomography angiography in the preoperative evaluation of skull base tumors. 123(July):18, 2015. doi: 10.3171/2014.10.JNS141055.
F. Scalzo and D.S. Liebeskind. Perfusion Angiography in Acute Ischemic Stroke. Computational and Mathematical Methods in Medicine, 2016, 2016. ISSN 17486718. doi: 10.1155/2016/2478324.
S. P. Sourbron and D. L. Buckley. Tracer kinetic modelling in MRI: estimating perfusion and capillary permeability. Physics in Medicine and Biology, 57(2):R1 R33, 2012. ISSN 0031-9155. doi: 10.1088/0031-9155/57/2/R1.
B. Romain, L. Rouet, D. Ohayon, O. Lucidarme, F. D'alch_e-Buc, and V. Letort. Parameter estimation of perfusion models in dynamic contrast-enhanced imaging: a unified framework for model comparison. Medical Image Analysis, 35:360{374, 2016. doi: 10.1016/j.media.2016.07.008.
A. Fieselmann, M. Kowarschik, A. Ganguly, J. Hornegger, and R. Fahrig. Deconvolution-based CT and MR brain perfusion measurement: Theoretical model revisited and practical implementation details, 2011. ISSN 16874188.
M. Wintermark, A.E. Flanders, B. Velthuis, R. Meuli, M. Van Leeuwen, D. Goldsher, C. Pineda, J. Serena, I. Van Der Schaaf, A. Waaijer, J. Anderson, G. Nesbit, I. Gabriely, V. Medina, A. Quiles, S. Pohlman, M. Quist, P. Schnyder, J. Bogousslavsky,W.P. Dillon, and S. Pedraza. Perfusion-CT assessment of infarct core and penumbra: Receiver operating characteristic curve analysis in 130 patients suspected of acute hemispheric stroke. Stroke, 37(4):979{985, 2006. ISSN 00392499. doi: 10.1161/01.STR.0000209238.61459.39.
A. Bivard, C. Levi, N. Spratt, and M. Parsons. Perfusion CT in Acute Stroke: A Comprehensive Analysis of Infarct and Penumbra. Radiology, 2013. ISSN 0033-8419. doi: 10.1148/radiol.12120971.
Y. Yu, Q. Han, Xi. Ding, Q. Chen, K. Ye, S. Zhang, S. Yan, B.C.V. Campbell, M.W. Parsons, S. Wang, and M. Lou. De_ning Core and Penumbra in Ischemic Stroke: A Voxel- and Volume-Based Analysis of Whole Brain CT Perfusion. Scienti_c Reports, 2016. ISSN 20452322. doi: 10.1038/srep20932.
X. Huang, D. Kalladka, B. Cheripelli, F. Moreton, and K.W. Muir. The Impact of CT Perfusion Threshold on Predicted Viable and Nonviable Tissue Volumes in Acute Ischemic Stroke. Journal of Neuroimaging, 2017. ISSN 15526569. doi: 10.1111/jon.12442.
C.S. Kidwell, M. Wintermark, D.A. De Silva, T.J. Schaewe, R. Jahan, S. Starkman, T. Jovin, J. Hom, M. Jumaa, J. Schreier, J. Gornbein, D.S. Liebeskind, J.R. Alger, and J.L. Saver. Kidwell2013. Stroke, 44(1):73{79, 2012. doi: 10.1161/STROKEAHA.112.670034.
G. Mair and J.M. Wardlaw. Imaging of acute stroke prior to treatment: current practice and evolving techniques. Br J Radiol, 87, 2014. doi: 10.1259/bjr.20140216.
B.K. Menon, C.D. D'esterre, E.M. Qazi, M. Almekhla_, L. Hahn, A.M. Demchuk, and M. Goyal. Multiphase cT angiography: A New Tool for the Imaging Triage of Patients with Acute Ischemic Stroke 1. Radiology, 275(2):510{520, 2015. ISSN 0033-8419. doi: 10.1148/radiol.15142256.
S. E. Beyer, K. M. Thierfelder, L. Von Baumgarten, M. Rottenkolber, F. G. Meinel, H. Janssen, B. Ertl-Wagner, M. F. Reiser, and Wieland H. Sommer. Strategies of collateral blood flow assessment in ischemic stroke: Prediction of the follow-up infarct volume in conventional and dynamic CTA. American Journal of Neuroradiology, 36 (3):488{494, 2015. ISSN 1936959X. doi: 10.3174/ajnr.A4131.
D. Byrne, G. Sugrue, E. Stanley, J .P. Walsh, S. Murphy, E .C. Kavanagh, and P .J. Macmahon. Improved Detection of Anterior Circulation Occlusions: The `Delayed Vessel Sign` on Multiphase CT Angiography. American Journal of Neuroradiology, 38(10):1911{1916, 2017. doi: 10.3174/ajnr.A5317.
C.D. D'Esterre, A. Trivedi, P. Pordeli, M. Boesen, S. Patil, S. Hwan Ahn, M. Najm, E. Fainardi, J.J.S. Shankar, M. Rubiera, M.A. Almekhla_, J. Mandzia, A.V. Khaw, P. Barber, S. Coutts, M.D. Hill, A.M. Demchuk, T. Sajobi, N.D. Forkert, M. Goyal, T.Y. Lee, and B.K. Menon. Regional Comparison of Multiphase Computed Tomographic Angiography and Computed Tomographic Perfusion for Prediction of Tissue Fate in Ischemic Stroke. Stroke, 48(4):939{945, 2017. ISSN 15244628. doi: 10.1161/STROKEAHA.116.015969.
O. Volny, P. Cimova, P. Kadlecova, P. Vanek, J. Vanicek, B.K. Menon, and R. Mikulik. Single-Phase Versus Multiphase CT Angiography in Middle Cerebral Artery Clot Detection|Bene_ts for Less Experienced Radiologists and Neurologists. Journal of Stroke and Cerebrovascular Diseases, 26(1):19{24, 2017. ISSN 15328511. doi: 10.1016/j.jstrokecerebrovasdis.2016.08.023.
A. Flores, M. Rubiera, M. Rib_o, J. Pagola, D. Rodriguez-Luna, M. Muchada, S. Boned, L. Ser_o, E. Sanjuan, P. Meler, D. Carc_amo, E. Santamarina, A. Tomassello, M. Lemus, P. Coscojuela, and C.A. Molina. Poor Collateral Circulation Assessed by Multiphase Computed Tomographic Angiography Predicts Malignant Middle Cerebral Artery Evolution after Reperfusion Therapies. Stroke, 46(11):3149{ 3153, 2015. ISSN 15244628. doi: 10.1161/STROKEAHA.115.010608.
A. Garcia-Tornel, V. Carvalho, S. Boned, A. Flores, D. Rodriguez-Luna, J. Pagola, M. Muchada, E. Sanjuan, P. Coscojuela, J. Juega, N. Rodriguez-Villatoro, B. Menon, M. Goyal, M. Rib_o, A. Tomasello, C.A. Molina, and Marta Rubiera. Improving the Evaluation of Collateral Circulation by Multiphase Computed Tomography Angiography in Acute Stroke Patients Treated with Endovascular Reperfusion Therapies. Interventional Neurology, 5(3-4):209{217, 2016. ISSN 1664-9737. doi: 10.1159/000448525.
E. Tong, J. Patrie, S. Tong, A. Evans, P. Michel, A. Eskandari, and M. Wintermark. Time-resolved CT assessment of collaterals as imaging biomarkers to predict clinical outcomes in acute ischemic stroke. Neuroradiology, 59(11):1101{1109, 2017. doi 10.1007/s00234-017-1914-z.
P. Bentley, J. Ganesalingam, A. Lalani Carlton Jones, K. Mahady, S. Epton, P. Rinne, P. Sharma, O. Halse, A. Mehta, and D. Rueckert. Prediction of stroke thrombolysis outcome using CT brain machine learning. NeuroImage: Clinical, 4: 635{640, 2014. doi: 10.1016/j.nicl.2014.02.003.
D. Zikic, B. Glocker, E. Konukoglu, A. Criminisi, C. Demiralp, J. Shotton, O. M. Thomas, T. Das, R. Jena, and S. J. Price. Decision forests for tissue-specific segmentation of high-grade gliomas in multi-channel MR. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 15(Pt 3):369{76, 2012. ISSN 16113349. doi: 10.1007/978-3-642-33454-2fn g46.
J. Mitra, P. Bourgeat, J. Fripp, S. Ghose, S. Rose, O. Salvado, A. Connelly, B. Campbell, S. Palmer, G. Sharma, S. Christensen, and L. Carey. Lesion segmentation from multimodal MRI using random forest following ischemic stroke. NeuroImage, 98: 324{335, 2014. ISSN 10959572. doi: 10.1016/j.neuroimage.2014.04.056.
E. Lee, Y. Kim, N. Kim, and D. Kang. Deep into the Brain: Arti_cial Intelligence in Stroke Imaging. Journal of Stroke, 2017. ISSN 2287-6391. doi: 10.5853/jos.2017. 02054.
O. Maier, C. Schroder, N.D. Forkert, T. Martinetz, and H. Handels. Classifiers for ischemic stroke lesion segmentation: A comparison study. PLoS ONE, 2015. ISSN 19326203. doi: 10.1371/journal.pone.0145118.
D. Pustina, H. Branch Coslett, P.E. Turkeltaub, N. Tustison, M.F. Schwartz, and B. Avants. Automated segmentation of chronic stroke lesions using LINDA: Lesion Identification with Neighborhood Data Analysis HHS Public Access. Hum Brain Mapp, 37(4):1405{1421, 2016. doi: 10.1002/hbm.23110.
L. Chen, P. Bentley, and D. Rueckert. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks. NeuroImage: Clinical, 2017. ISSN 22131582. doi: 10.1016/j.nicl.2017.06.016.
M. Scherer, J. Cordes, A. Younsi, Y.A. Sahin, M. Gotz, M. Mohlenbruch, C. Stock, J. Bosel, A. Unterberg, K. Maier-Hein, and B. Orakcioglu. Development and Validation of an Automatic Segmentation Algorithm for Quanti_cation of Intracerebral Hemorrhage. Stroke, 2016. ISSN 0039-2499. doi: 10.1161/STROKEAHA.116.013779.
P. Perona and J. Malik. Scale-space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(7):629{639, 1990. ISSN 01628828. doi: 10.1109/34.56205.
A. Franzle, J. Hillengass, and R. Bendl. Spinal focal lesion detection in multiple myeloma using multimodal image features. 2015. doi: 10.1117/12.2081990.
B.C.V. Campbell, P.J. Mitchell, B. Yan, M.W. Parsons, S. Christensen, L. Churilov, R.J. Dowling, H. Dewey, M. Brooks, F. Mite_, C. Levi, M. Krause, T.J. Harrington, K.C. Faulder, B.S. Steinfort, T. Kleinig, R. Scroop, S. Chryssidis, A. Barber, A. Hope, M. Moriarty, B. Mcguinness, A.A. Wong, A. Coulthard, T. Wijeratne, A. Lee, J. Jannes, J. Leyden, T.G. Phan, W. Chong, MiE. Holt, R.V. Chandra, C.F. Bladin, M. Badve, H. Rice, L. de Villiers, H. Ma, P.M. Desmond, G.A. Donnan, and S.M. Davis. A multicenter, randomized, controlled study to investigate extending the time for thrombolysis in emergency neurological deficits with intra-arterial therapy (EXTEND-IA). International Journal of Stroke, 9(1):126{132, 2014. ISSN 17474930. doi: 10.1111/ijs.12206.
G.W. Albers, M.P. Marks, S. Kemp, S. Christensen, J.P. Tsai, S. Ortega-Gutierrez, R.A. McTaggart, M.T. Torbey, M. Kim-Tenser, T. Leslie-Mazwi, A. Sarraj, Scott E. Kasner, Sameer A. Ansari, Sharon D. Yeatts, S. Hamilton, M. Mlynash, Jeremy J. Heit, G. Zaharchuk, S. Kim, J. Carrozzella, Y.Y. Palesch, A.M. Demchuk, R. Bammer, P.W. Lavori, J.P. Broderick, and M.G. Lansberg. Thrombectomy for Stroke at 6 to 16 Hours with Selection by Perfusion Imaging. New England Journal of Medicine, 378(8):708{718, 2018. ISSN 0028-4793. doi: 10.1056/NEJMoa1713973.