RM multiparamétrica de próstata Optimización de la...

Post on 12-Feb-2019

218 views 0 download

Transcript of RM multiparamétrica de próstata Optimización de la...

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