Informace o publikaci
Diferenciální diagnostika kruhově se sytících lézí mozku na základě linie zájmu v ADC mapě
| Autoři | |
|---|---|
| Rok publikování | 2022 |
| Druh | Konferenční abstrakty |
| Fakulta / Pracoviště MU | |
| Citace | |
| Popis | Mezi kruhově se sytící léze mozku (rim enhancing lesions, REL) se řadí zejména nádory – glioblastom, metastáza, hemangioblastom –, ale taky infekční ložiska – absces, tuberkulom, parazitární cysta. Jejich časné rozlišení na základě MRI může být v klinické praxi často výzvou, ale zároveň je velice důležité, jelikož terapeutický postup se u jednotlivých REL zásadně liší. Cílem našeho projektu bylo navrhnout princip, který odliší jednotlivé REL na základě aparentního difuzního koeficientu (apparent diffusion coefficient – ADC), jenž je součástí již většiny konvenčních vyšetření na MRI. ADC je vyjádřením difuzibility molekul vody ve tkáních a tím nepřímo poskytuje informaci o množství buněčných a tkáňových bariér, které difuzi vody brání. Předpokládáme tedy, že ADC mapa je pro jednotlivé REL charakteristická a odráží rozdíly v jejich histologické struktuře. Pro otestování principu jsme si vybrali dva typy REL, u kterých je diferenciální diagnostika vůbec nejčastější a zároveň pro oba je typická restrikce difuze – absces a glioblastom (GBM). Do projektu bylo zařazeno 28 pacientů, 18 s diagnózou glioblastomu a 10 s diagnózou abscesu. U každého byla provedena analýza vstupní diagnostické MRI, konkrétně ADC mapy (zobrazení ADC pro jednotlivé pixely). Analýza probíhala na základě křivek položených v reprezentativním řezu ADC mapy přes REL směrem do periferie, do oblasti perifokálního edému. U každého pacienta bylo položeno 5 křivek, celkem bylo analyzováno 140 křivek. Byly hodnoceny numerické trendy ADC podél křivky a další matematické parametry křivky (strmost poklesu ADC na hranici expanze, strmost nárůstu ADC při přechodu v perifokální edém). Výsledky byly použity jako prediktory pro „machine learning“ algoritmy. V?projektu byly uplatněny dva, a to K-Nearest Neighbour (KNN) a Support Vector Machine (SVM). Zjistili jsme, že na základě těchto prediktorů lze rozlišit absces a GBM s překvapivou přesností – u KNN absces s 90% a GBM se 100% přesností, u SVM absces s 92% a GBM s 94% přesností. Tento princip tedy představuje velice jednoduchou a relativně spolehlivou možnost neinvazivní primární diferenciální diagnostiky u abscesu a GBM. Do budoucna plánujeme otestovat využití stejného principu u dalších typů REL, příp. i jiných mozkových ložisek. |
| Související projekty: |