Post on 12-Feb-2019
RM multiparamétrica de próstata
Optimización de la técnica
Protocolos actuales
Ángel Alberich-Bayarri, PhD
1. QUIBIM S.L., Valencia, España
2. Grupo de Investigación Biomédica en Imagen (GIBI2^30), Instituto de Investigación Sanitaria La
Fe, Valencia, España
alberich_ang@gva.es
Twitter: @aalberich
1. Introducción
2. Protocolos actuales
3. RM multiparamétrica de próstata
4. Radiomics
5. Conclusiones
Contenido
Introducción
20-30%
70-75%
<5%
Weinreb, J. C., Barentsz, J. O., Choyke, P. L., Cornud, F., Haider, M. A., Macura, K. J., …
Verma, S. (2016). PI-RADS Prostate Imaging - Reporting and Data System: 2015, Version 2.
European Urology, 69(1), 16–40.
Glándula prostática y cáncer de próstata
• Incidencia variable según el contenido
glandular
• Cáncer más diagnosticado entre la población
española de varones
• Consumo de una gran cantidad de recursos
en su tratamiento, alcanzando cifras entre
106,7-179,0 millones de euros en la Unión
Europea en 2016
RM Multiparamétrica
Difusión PerfusiónT2
Perfusión
1. Localizador
2. Secuencia anatómica T2 – FSE
3. Secuencia difusión con varios valores b
4. Secuencia dinámica 3D GRE T1 (LAVA/THRIVE)
5. Secuencia Post-Gd T1
Protocolos actuales
Secuencia anatómica T2-FSE
– TE: 80ms (1.5T), 160ms (3T)
– TR: 3280ms (1.5T), 7665ms (3T)
– ETL: 21 (1.5T), 32 (3T)
– Campo de visión: 200 x 200mm
– Tamaño de vóxel: 0.4 x 0.4mm
– Espesor de corte: 3mm
– Matriz reconstrucción: 512 x 512
Protocolos actuales
Secuencia potenciada en difusión
– TE: 70-90ms
– TR: 3000-5000ms
– Campo de visión: 240 x 240
– Tamaño de vóxel: 0.94 x 0.94mm
– Espesor de corte: 4mm
– Matriz reconstrucción: 256 x 256
Protocolos actuales
b=0 b=50
b=200 b=400
b=1000 b=2000
Secuencia dinámica de realce con contraste (DCE)
– TE: 1.6ms
– TR: 6.1ms
– Ángulo: 25-35º
– Campo de visión: 300 x 300
– Tamaño de vóxel: 1.56 x 1.56mm
– Espesor de corte: 4mm
– Matriz reconstrucción: 192 x 192
– Dosis habitual: 0.1mmol/kg
– Velocidad de inyección: 2-4 mL/s
Protocolos actuales
RM multiparamétrica
PerfusiónT2
Análisis de texturas
Difusión
Curtosis
Asimetría
Autocorrelación
Energía
Entropía
···
RM multiparamétrica
Difusión PerfusiónT2
ADC
1000 2000
Valor b
ln(S
/So
)
IVIM
1000 2000
Valor b
ln(S
/So
)
Kurtosis
1000 2000
Valor bln
(S/S
o)
Stretched diffusion
1000 2000
Valor b
ln(S
/So
)
RM multiparamétrica
PerfusiónT2
Análisis semicuantitativo Análisis farmacocinético
Difusión
Tiempo
[Gd
]
RM multiparamétrica
Procesos implicados en análisis farmacocinético
RM multiparamétrica
Perfusión
- Cálculo del T1
Ángulo
Magnetización
SI2º 5º
10º 20º
30º 45º
Perfusión
1. Localizador
2. Secuencia anatómica T2 – FSE
3. Secuencia difusión con varios valores b
4. Secuencias T1 – GRE varios ángulos de magnetización, mapas T1
5. Secuencia dinámica 3D GRE T1 (LAVA/THRIVE)
6. Secuencia Post-Gd T1
Protocolos actuales
RM multiparamétrica
Procesos para analisis multivariante
Aprendizaje profundo (Deep Learning)
▪ Registro T2 Difusión (registro)
Perfusión(registro)
Campo de
deformación
Verdaderos positivos
Falsos negativos
Falsos positivos
DICE COEFFICIENT:
Training: 91,25%
Validation: 82,47%
Test: 81,83%
RM multiparamétrica
▪ Segmentación (IA y uso de CNN)
Aprendizaje profundo (Deep Learning)
RM multiparamétrica
NVIDIA Quadro GP100
HARDWARE SOFTWARE
DATA SCIENTISTS
LABELED DATA
Aprendizaje profundo (Deep Learning)
RM multiparamétrica
RM multiparamétrica
Machine Learning No Supervisado (Clustering)
ADC Ktrans
Mapa nosológico
Clustering voxel a voxel
Standardized Euclidean
RM multiparamétrica
T2 ADC Ktrans
Prostata
RM multiparamétrica
Próstata
▪ Anatomía Patológica
▪ PI-RADS
▪ Mapa nosológicoG
lea
so
n 6
Gle
as
on
7G
lea
so
n 9
A.P. PI-RADS Mapa nosológico
(automático)
RM multiparamétrica
Informe estructurado cuantitativo
RM multiparamétrica
Radiomics
Data miningData integrationSource images Segmentation Feature
extraction
PE
RF
US
ION
DIF
FU
SIO
NA
NA
TO
MY T2w
Organ extraction
Nosological image
Volume/Shape features
Histogram features
Texture Features
Clinical
Genomic
Metabolomic
Radiogenomics
Predictive/prognostic models
Diagnostic models
DWI
DCE-MRI
Clustering
Agradecimientos
POST-DOCAlejandro Torreño, PhD - Technology DevelopmentAlejandro Rodríguez, PhD - Image Analysis Engineer
PhD STUDENTSAmadeo Ten - Image Analysis EngineerSara Carratalá - CNS Analysis
CLINICAL TRIALS AND PREBISandra Pérez - Data ManagerJuan Ramón Terrén - Data ManagerRebeca Maldonado - Technician & PREBI
ADMINISTRATIONAna Penadés - Economic & Financial Manager
GIBI230
QUIBIMIMAGE ANALYSIS SCIENTISTSFabio García Castro - Chief Image Analysis ScientistBelén Fos Guarinos - Image Analysis ScientistAna María Jiménez Pastor - Image Analysis ScientistRafael López González - Image Analysis Scientist
DEVELOPMENTRafael Hernández Navarro - Chief Technology OfficerAlejandro Mañas García - Full Stack Senior DeveloperEduardo Camacho Ramos - Front-End Developer
CLINICAL TRIALSIrene Mayorga Ruíz - Clinical Trials CoordinatorRaúl Yébana Huertas - Image Analysis Technician
MARKETING AND COMMUNICATION Katherine Wilisch Ramírez - Marketing Manager
MANAGEMENTIsabel Montero Valle – Team CoordinatorEncarna Sánchez Bernabé - Chief Operating OfficerDaniel Iordanov López - Assistant to Business Development
Luis Martí Bonmatí MD, PhD. GIBI Principal Investigator
QUIBIM Founder
Ángel Alberich Bayarri, PhD. GIBI Scientific-Technical DirectorQUIBIM CEO & Founder
RM multiparamétrica de próstata
Optimización de la técnica
Protocolos actuales
Ángel Alberich-Bayarri, PhD
1. QUIBIM S.L., Valencia, España
2. Grupo de Investigación Biomédica en Imagen (GIBI2^30), Instituto de Investigación Sanitaria La Fe, Valencia, España
alberich_ang@gva.es
Twitter: @aalberich