ES2724599B2 - ADC map transformation procedure - Google Patents
ADC map transformation procedure Download PDFInfo
- Publication number
- ES2724599B2 ES2724599B2 ES201830215A ES201830215A ES2724599B2 ES 2724599 B2 ES2724599 B2 ES 2724599B2 ES 201830215 A ES201830215 A ES 201830215A ES 201830215 A ES201830215 A ES 201830215A ES 2724599 B2 ES2724599 B2 ES 2724599B2
- Authority
- ES
- Spain
- Prior art keywords
- tissue
- value
- adc
- map
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 21
- 230000009466 transformation Effects 0.000 title claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 33
- 230000010412 perfusion Effects 0.000 claims description 18
- 239000013610 patient sample Substances 0.000 claims description 7
- 239000000523 sample Substances 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims 2
- 210000001519 tissue Anatomy 0.000 description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 9
- 238000002597 diffusion-weighted imaging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000002637 putamen Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000001723 extracellular space Anatomy 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 230000009826 neoplastic cell growth Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000000107 tumor biomarker Substances 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
- G01R33/56366—Perfusion imaging
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
DESCRIPCIÓNDESCRIPTION
Procedimiento de transformación de mapas ADCADC map transformation procedure
OBJETO DE LA INVENCIÓNOBJECT OF THE INVENTION
La presente invención pertenece al campo de las técnicas de visualización de imágenes basadas en el uso de la Resonancia Magnética (RM).The present invention belongs to the field of image visualization techniques based on the use of Magnetic Resonance (MRI).
El objeto de la presente invención es un nuevo procedimiento que permite transformar un primer mapa ADC obtenido empleando un primer valor b2a durante el proceso de adquisición de la imagen en un segundo mapa ADC similar al que se hubiese obtenido empleando un segundo valor b2b.The object of the present invention is a new method that makes it possible to transform a first ADC map obtained using a first b2a value during the image acquisition process into a second ADC map similar to the one obtained using a second b2b value.
ANTECEDENTES DE LA INVENCIÓNBACKGROUND OF THE INVENTION
La técnica de resonancia magnética potenciada en difusión (DWI, Diffusion Weighted Images) permite obtener parámetros representativos de las diferencias en la capacidad de difusión de las moléculas de agua en los tejidos del paciente. Concretamente, un parámetro representativo de dicha capacidad de difusión que se obtiene a partir de esta técnica es el coeficiente de difusión aparente (ADC, Apparent Diffusion Coefficient). Gracias a que la capacidad de difusión de las moléculas de agua está inversamente relacionada con el número de células por unidad de volumen, el uso de este parámetro permite diferenciar tipos de tejido en función de dicha capacidad de difusión del agua. En efecto, puesto que, por ejemplo, los tumores presentan una alta concentración de células debido a un crecimiento aberrante, puede interpretarse que un tejido donde las moléculas de agua presentan una baja capacidad de difusión corresponde a tejido canceroso. La información obtenida mediante esta técnica se muestra a través de la generación de los denominados mapas ADC, donde el brillo de cada píxel corresponde al valor del coeficiente de difusión aparente ADC en el vóxel correspondiente.The diffusion-weighted magnetic resonance imaging (DWI) technique makes it possible to obtain parameters representative of the differences in the diffusion capacity of water molecules in patient tissues. Specifically, a representative parameter of said diffusion capacity that is obtained from this technique is the apparent diffusion coefficient (ADC, Apparent Diffusion Coefficient). Thanks to the fact that the diffusion capacity of water molecules is inversely related to the number of cells per unit of volume, the use of this parameter makes it possible to differentiate types of tissue based on said water diffusion capacity. Indeed, since, for example, tumors have a high concentration of cells due to aberrant growth, a tissue where the water molecules have a low diffusion capacity can be interpreted as corresponding to cancerous tissue. The information obtained by this technique is shown through the generation of so-called ADC maps, where the brightness of each pixel corresponds to the value of the apparent diffusion coefficient ADC in the corresponding voxel.
Actualmente existen guías de recomendaciones para el uso de los mapas ADC para la detección de tejidos cancerosos. A modo de ejemplo, se puede mencionar el artículo de Padhani AR, Liu G, Koh DM, y Chenevert TL, et al titulado “Diffusion-weighted magnetic resonance imaging as a cáncer biomarker: consensus and recommendations”, Neoplasia.Currently there are guidelines for recommendations for the use of ADC maps for the detection of cancerous tissues. By way of example, mention may be made of the article by Padhani AR, Liu G, Koh DM, and Chenevert TL, et al entitled "Diffusion-weighted magnetic resonance imaging as a cancer biomarker: consensus and recommendations", Neoplasia.
2009; 11(2): 102-125. La Fig. 1 muestra un ejemplo de mapa ADC donde se pueden apreciar los diferentes tipos de tejidos en función de la capacidad de difusión de las moléculas de agua.2009; 11 (2): 102-125. Fig. 1 shows an example of an ADC map where you can appreciate the different types of tissues based on the diffusion capacity of water molecules.
La obtención de estos mapas ADC se realiza fundamentalmente emitiendo dos pulsos de gradiente opuestos que varían con la posición y cuyos gradientes de desfase son proporcionales a un determinado coeficiente b seleccionado por el radiólogo. La Fig. 2 muestra una curva en escala semilogarítmica (línea continua) que representa, en un vóxel específico del tejido del paciente, la respuesta S(b) obtenida en función del coeficiente b empleado en la adquisición. Como se puede apreciar, la curva S(b) presenta dos porciones diferenciadas: para valores de b bajos, una primera porción curvada de mayor a menor pendiente; y para valores de b elevados, una segunda porción esencialmente recta de menor pendiente que la primera porción. La primera porción está causada por la presencia de perfusión en el vóxel en cuestión. Cuanto más importante es el mecanismo de perfusión en el movimiento de las moléculas de agua en el interior del vóxel, más pendiente tiene la porción inicial de la curva. Por el contrario, en caso de ausencia de perfusión en el vóxel, la curva adoptaría aproximadamente la forma de una recta que pasa por el origen de coordenadas (línea discontinua).Obtaining these ADC maps is fundamentally carried out by emitting two opposite gradient pulses that vary with position and whose phase shift gradients are proportional to a certain coefficient b selected by the radiologist. Fig. 2 shows a semilogarithmic scale curve (solid line) that represents, in a specific voxel of the patient's tissue, the response S (b) obtained as a function of the coefficient b used in the acquisition. As can be seen, curve S (b) presents two differentiated portions: for low b values, a first portion curved from greater to lesser slope; and for high b values, an essentially straight second portion of less slope than the first portion. The first portion is caused by the presence of perfusion in the voxel in question. The more important the perfusion mechanism is in the movement of the water molecules within the voxel, the steeper the initial portion of the curve has. On the contrary, in the absence of perfusion in the voxel, the curve would take approximately the shape of a straight line that passes through the origin of coordinates (dashed line).
Actualmente, la curva se modela suponiendo un movimiento browniano de las moléculas de agua en el interior del vóxel. Es decir, se parte de la suposición de que el movimiento de las moléculas de agua dentro del vóxel es isotrópico y de que la única causa del movimiento es la difusión. Se obtiene así la ecuación que rige la amplitud de la imagen en los mapas ADC actuales:Currently, the curve is modeled assuming a Brownian motion of the water molecules inside the voxel. That is to say, it is assumed that the movement of the water molecules within the voxel is isotropic and that the only cause of the movement is diffusion. Thus, the equation that governs the amplitude of the image in current ADC maps is obtained:
S(b) = S0e~bADC (1) S ( b) = S0e ~ bADC (1)
donde:where:
So es la amplitud de la señal en caso de no aplicar gradientes de difusión, b el parámetro que define la potencia del gradiente de difusión, ySo is the amplitude of the signal in case of not applying diffusion gradients, b the parameter that defines the power of the diffusion gradient, and
ADC el coeficiente de difusión promedio de las moléculas de agua dentro del vóxel, es decir, el Coeficiente de Difusión Aparente (ADC).ADC is the average diffusion coefficient of the water molecules within the voxel, that is, the Apparent Diffusion Coefficient (ADC).
De manera más concreta, para obtener mapas ADC en los que la intensidad de cada píxel refleja el valor del coeficiente de difusión aparente ADC en el vóxel correspondiente, se utilizan dos imágenes potenciadas en difusión con dos gradientes de difusión diferentes, con potencias b1 y b2, y se opera con la relación entre ellas. Para cada píxel se realiza la siguiente operación:More specifically, to obtain ADC maps in which the intensity of each pixel reflects the value of the apparent diffusion coefficient ADC in the corresponding voxel, two diffusion-weighted images with two different diffusion gradients are used, with powers b1 and b2. , and it operates with the relationship between them. For each pixel the next operation:
Es decir, el valor del coeficiente de difusión aparente ADC en un vóxel se define como la pendiente de la recta que une s(b1) con s(b2). Resulta evidente, por tanto, que la selección de los valores de b tiene un importante impacto en los mapas ADC obtenidos. Por motivos históricos, en los protocolos de práctica clínica se utiliza actualmente b1 = 0 s/mm2. Por su parte, el valor de b2 depende del tipo de tejido y debe ser lo mayor posible. Al mismo tiempo, debe ser lo suficientemente bajo como para que la relación entre la señal y el ruido (SNR, Signal to Noise Ratio) del eco devuelto para el gradiente de intensidad b2 sea aceptable para el cálculo de ADC.That is, the value of the apparent diffusion coefficient ADC in a voxel is defined as the slope of the line joining s (b1) with s (b2). It is clear, therefore, that the selection of b values has a significant impact on the ADC maps obtained. For historical reasons, b1 = 0 s / mm2 is currently used in clinical practice protocols. For its part, the value of b2 depends on the type of tissue and should be as high as possible. At the same time, it must be low enough that the Signal to Noise Ratio (SNR) of the echo returned for intensity gradient b2 is acceptable for the ADC calculation.
En definitiva, se está aproximando la curva S(b), con efectos de difusión y perfusión, por una recta que une S(0) y S(b2) cuya pendiente es el coeficiente de difusión aparente ADC. Esta aproximación, por tanto, ignora la existencia de la perfusión.In short, the curve S (b) is being approximated, with diffusion and perfusion effects, by a line that joins S (0) and S (b2) whose slope is the apparent diffusion coefficient ADC. This approach, therefore, ignores the existence of perfusion.
La Fig. 3 muestra gráficamente el modo en que se obtiene el coeficiente de difusión aparente ADC para dos valores de b2 diferentes en un vóxel particular. Concretamente, la Fig. 3 muestra las rectas resultantes de aplicar la ecuación (1) a unos valores de (b1, b2) respectivamente de (b1a, b2a) = (0 s/mm2, 500 s/mm2) y de (b1b, b2b) = (0 s/mm2, 1000 s/mm2). La pendiente de la línea discontinua de la Fig. 3 corresponde al valor ADC calculado con (b1a, b2a) = (0 s/mm2, 500 s/mm2), y la pendiente de la línea de puntos de la Fig. 3 corresponde al valor ADC calculado con (b1b, b2b) = (0 s/mm2, 1000 s/mm2). Como se puede apreciar, la pendiente de estas dos rectas no es igual. El motivo de la aparición de esta diferencia es la suposición realizada en la ecuación (1) de que la difusión es la única causa de movimiento cuando, como se ha comentado, la realidad es que los movimientos en el interior de un vóxel se deben tanto a difusión como a perfusión. Por estos motivos, la curva S(b) no es una recta que pasa por el origen de coordenadas, y como consecuencia aparecen diferencias considerables entre mapas ADC obtenidos utilizando diferentes valores de b2 que, en cada píxel, pueden llegar hasta el 25%.Fig. 3 graphically shows how the apparent diffusion coefficient ADC is obtained for two different b2 values in a particular voxel. Specifically, Fig. 3 shows the lines resulting from applying equation (1) to values of (b1, b2) respectively of (b1a, b2a) = (0 s / mm2, 500 s / mm2) and of (b1b, b2b) = (0 s / mm2, 1000 s / mm2). The slope of the dashed line in Fig. 3 corresponds to the ADC value calculated with (b1a, b2a) = (0 s / mm2, 500 s / mm2), and the slope of the dotted line in Fig. 3 corresponds to ADC value calculated with (b1b, b2b) = (0 s / mm2, 1000 s / mm2). As you can see, the slope of these two lines is not the same. The reason for the appearance of this difference is the assumption made in equation (1) that diffusion is the only cause of movement when, as mentioned, the reality is that the movements inside a voxel are due to both to diffusion as to perfusion. For these reasons, the curve S (b) is not a line that passes through the origin of coordinates, and as a consequence there are considerable differences between ADC maps obtained using different values of b2 that, in each pixel, can reach up to 25%.
Actualmente, cada hospital realiza la adquisición de mapas ADC utilizando un valor de b2 diferente del utilizado en otros hospitales. Si bien este hecho no reviste particular importancia en la interpretación cualitativa de los mapas ADC de un determinado paciente en un hospital particular, resulta crítico a la hora de realizar estudios cuantitativos comparativos. Datos relativos a los mapas ADC obtenidos con un primer valor de b2 en un hospital determinado no se pueden comparar con datos relativos a los mapas ADC obtenidos con un segundo valor de b2 en otro hospital diferente. Esto constituye un importante inconveniente en el contexto de la investigación y un lastre para el uso de datos cuantitativos en la práctica clínica.Currently, each hospital performs the acquisition of ADC maps using a b2 value different from that used in other hospitals. Although this fact is not particularly important in the qualitative interpretation of the ADC maps of a given patient in a private hospital, it is critical when conducting comparative quantitative studies. Data related to ADC maps obtained with a first value of b2 in a given hospital cannot be compared with data related to ADC maps obtained with a second value of b2 in a different hospital. This is a major drawback in the research context and a drag on the use of quantitative data in clinical practice.
DESCRIPCIÓN DE LA INVENCIÓNDESCRIPTION OF THE INVENTION
La presente invención describe un método que permite transformar un primer mapa ADC obtenido utilizando un primer valor b2a determinado en un segundo mapa ADC similar al que se hubiese obtenido empleando un segundo valor b2b. Para ello, se utiliza un modelo denominado IVIM (Intra Voxel Incoherent Motion) en el que la curva S(b) se aproxima de manera más precisa a través de dos rectas: una primera recta con una pendiente mayor aproxima la porción inicial de la curva correspondiente al mecanismo de perfusión; y una segunda recta con una pendiente menor aproxima el resto de la curva. Se trata de un modelo que se acerca más a la forma real que adopta la curva S(b) cuando existe perfusión que el modelo descrito anteriormente con relación a la ecuación (1). El desarrollo matemático que se describe más adelante permite, a través del modelo IVIM, obtener una expresión mediante la cual puede transformarse el valor ADC de cada vóxel de un mapa ADC desde un valor inicial correspondiente al primer valor b2a en un valor similar al que se hubiera obtenido utilizando un segundo valor b2b.The present invention describes a method that makes it possible to transform a first ADC map obtained using a first determined b2a value into a second ADC map similar to the one that would have been obtained using a second b2b value. To do this, a model called IVIM (Intra Voxel Incoherent Motion) is used in which the curve S (b) is more precisely approximated through two lines: a first line with a greater slope approximates the initial portion of the curve corresponding to the perfusion mechanism; and a second line with a smaller slope approximates the rest of the curve. It is a model that is closer to the real shape that the curve S (b) assumes when there is perfusion than the model described above in relation to equation (1). The mathematical development that is described later allows, through the IVIM model, to obtain an expression by which the ADC value of each voxel of an ADC map can be transformed from an initial value corresponding to the first b 2 a value into a value similar to that of that would have been obtained using a second b2b value.
En adelante, se hará referencia a un primer mapa ADCa calculado utilizando un primer valor b2a, y a un segundo mapa ADCb que se desea obtener y que correspondiente a un segundo valor b2b. En ambos casos, se supone que el b1 correspondiente (es decir, tanto b1a como b1b) es común y, normalmente, igual a 0.Hereinafter, reference will be made to a first ADCa map calculated using a first b2a value, and to a second ADCb map that it is desired to obtain and corresponding to a second b2b value. In both cases, the corresponding b1 (that is, both b1a and b1b) is assumed to be common and usually equal to 0.
Modelo IVIMIVIM model
A continuación, se describe brevemente el modelo IVIM utilizado en esta invención para la transformación de los mapas ADC. Como se ha comentado, este modelo tiene en cuenta la presencia en el vóxel de dos movimientos muy diferentes: difusión en el espacio extracelular y perfusión microvascular. El modelo IVIM está definido por la siguiente ecuación: Next, the IVIM model used in this invention for the transformation of the ADC maps is briefly described. As mentioned, this model takes into account the presence in the voxel of two very different movements: diffusion in the extracellular space and microvascular perfusion. The IVIM model is defined by the following equation:
S ( b ) = S 0 ( a - f ) e - b D f - e ~bD*) (3) S ( b) = S 0 ( a - f) e - b D f - e ~ bD *) (3)
donde:where:
f es la fracción de perfusión (en tanto por uno),f is the perfusion fraction (in terms of one),
D es el coeficiente de difusión real, yD is the actual diffusion coefficient, and
D* es el coeficiente de pseudodifusión.D * is the pseudo-diffusion coefficient.
El parámetro f se interpreta como la importancia de la perfusión en el movimiento de las moléculas de agua de un vóxel. Para tejidos muy bien irrigados f se encuentra cercano a 0,3, mientras para tejidos escasamente vascularizados f está próximo a 0. Por otra parte, el parámetro D* representa la perfusión dentro de los vasos. Este movimiento es mucho más rápido que el de la difusión extracelaular y extravasal. Por tanto, los valores de D* son habitualmente de un orden de magnitud mayor que los valores de D.The parameter f is interpreted as the importance of perfusion in the movement of water molecules in a voxel. For very well irrigated tissues f is close to 0.3, while for poorly vascularized tissues f is close to 0. On the other hand, the parameter D * represents perfusion within the vessels. This movement is much faster than that of extracellular and extravasal diffusion. Therefore, the values of D * are usually an order of magnitude greater than the values of D.
La Fig. 4 muestra gráficamente, en línea continua, la forma que adopta una curva obtenida según el modelo IVIM definido por la ecuación (3). Esta curva presenta dos porciones diferenciadas: para valores de b bajos, una primera porción recta donde la perfusión tiene un efecto más acusado; y para valores de b altos, una segunda porción recta de menor pendiente donde la perfusión tiene un menor efecto. Como se puede apreciar a simple vista comparando esta curva con la curva S(b), en línea discontinua, el modelo IVIM definido por la ecuación (3) es mucho más preciso que el modelo ADC definido por la ecuación (1). La primera porción de la curva del modelo IVIM se aproxima bastante bien a la primera porción de la curva S(b), y la segunda porción de la curva del modelo IVIM es casi coincidente con la segunda porción de la curva S(b).Fig. 4 graphically shows, in a continuous line, the shape of a curve obtained according to the IVIM model defined by equation (3). This curve presents two differentiated portions: for low b values, a first straight portion where perfusion has a more pronounced effect; and for high b values, a second straight portion with a lower slope where perfusion has a lesser effect. As can be seen with the naked eye by comparing this curve with the curve S (b), in a dashed line, the IVIM model defined by equation (3) is much more accurate than the ADC model defined by equation (1). The first portion of the IVIM curve closely approximates the first portion of the S curve (b), and the second portion of the IVIM curve is nearly coincident with the second portion of the S curve (b).
Procedimiento propuestoProposed procedure
La invención propone utilizar el modelo IVIM para, partiendo del conocimiento de la pendiente de una recta que pasa por el origen de coordenadas y un punto de la curva S(b) correspondiente a un determinado b2a (es decir, partiendo del coeficiente de difusión aparente ADCa obtenido para dicho b2a), determinar la pendiente de una recta que pasa por el origen de coordenadas y otro punto de la curva S(b) correspondiente a un determinado b2b diferente (es decir, determinar el coeficiente de difusión aparente ADCb que se obtendría para dicho valor de b2b diferente de b2a). Llevando a cabo este procedimiento para cada píxel del primer mapa ADCa, es posible obtener un mapa ADCb similar al que se hubiera obtenido utilizando el valor b2b durante el proceso de adquisición. Por tanto, el uso de este procedimiento permitiría realizar estudios comparativos utilizando datos de mapas ADC obtenidos en diferentes hospitales con diferentes valores de b2.The invention proposes to use the IVIM model for, starting from the knowledge of the slope of a line that passes through the origin of coordinates and a point on the curve S (b) corresponding to a certain b2a (that is, starting from the apparent diffusion coefficient ADCa obtained for said b2a), determine the slope of a line that passes through the origin of coordinates and another point on the curve S (b) corresponding to a certain different b2b (that is, determine the apparent diffusion coefficient ADCb that would be obtained for said value of b2b different from b2a). Carrying out this procedure for each pixel of the first ADCa map, it is possible to obtain an ADCb map similar to the one that would have been obtained using the b2b value during the acquisition process. Therefore, the use of this procedure would allow comparative studies using ADC map data obtained in different hospitals with different b2 values.
La presente invención describe un procedimiento para la transformación de mapas ADC, que permite transformar un primer mapa ADCa de un paciente obtenido mediante un primer valor b2a en un segundo mapa ADCb de dicho paciente similar al que se hubiera obtenido mediante un segundo valor b2b. El valor b1 en ambos mapas ADCa y ADCb se supone común y, normalmente, igual a 0. Este procedimiento comprende, para cada píxel del primer mapa ADCa, llevar a cabo los siguientes pasos:The present invention describes a method for the transformation of ADC maps, which makes it possible to transform a first ADCa map of a patient obtained by means of a first b2a value into a second ADCb map of said patient, similar to that obtained by means of a second b2b value. The b1 value in both ADCa and ADCb maps is assumed to be common and, normally, equal to 0. This procedure comprises, for each pixel of the first ADCa map, carrying out the following steps:
1. Obtener el valor ADCa del píxel del primer mapa ADCa.1. Obtain the ADCa value of the pixel from the first ADCa map.
2. Determinar a qué tipo de tejido pertenece el píxel del primer mapa ADCa.2. Determine what type of tissue the pixel in the first ADCa map belongs to.
3. Determinar el valor ADCb del píxel correspondiente del segundo mapa ADCb mediante una de las siguientes fórmulas:3. Determine the ADCb value of the corresponding pixel from the second ADCb map using one of the following formulas:
o bienO well
ADCb = Dtej ido { 1 - ¿ ? ) ADcaí$ (5) ADCb = Dtej gone {1 -? ) ADcaí $ (5)
dondewhere
ftejido es la fracción de perfusión en el tipo de tejido al que pertenece el píxel; y Dtejido es el coeficiente de difusión real en el tipo de tejido al que pertenece el píxel.f tissue is the perfusion fraction in the type of tissue to which the pixel belongs; and Tissue is the actual diffusion coefficient in the type of tissue to which the pixel belongs.
La determinación del tipo de tejido al que pertenece el píxel analizado se realiza a través de herramientas actualmente conocidas en este campo. Por ejemplo, son conocidos diversos procedimientos basados en análisis de imagen que permiten diferenciar tejidos a través de técnicas de segmentación en función de niveles de brillo de píxel, técnicas de crecimiento a partir de semillas, etc. The determination of the type of tissue to which the analyzed pixel belongs is carried out using tools currently known in this field. For example, various procedures based on image analysis are known that allow differentiating tissues through segmentation techniques based on pixel brightness levels, techniques for growing from seeds, etc.
Adicionalmente, es necesario conocer previamente el valor de los parámetros ftej¡do o Dtej¡do correspondientes a cada tipo de tejido. En efecto, para cada píxel del primer mapa ADCa, el valor de ftejido o Dtejido en ese píxel dependerá del tipo de tejido al que pertenece el vóxel correspondiente, ya que no todos los tejidos tienen las mismas características en cuanto a capacidad de difusión y/o perfusión de las moléculas de agua. Nótese que el valor de los parámetros ftejido o Dtejido es independiente del valor de b2 utilizado en la adquisición de las imágenes, ya que se trata de una característica propia del tejido del paciente.Additionally, it is necessary to previously know the value of the knitted or knitted parameters corresponding to each type of tissue. Indeed, for each pixel of the first ADCa map, the value of tissue or tissue in that pixel will depend on the type of tissue to which the corresponding voxel belongs, since not all tissues have the same characteristics in terms of diffusion capacity and / or or perfusion of water molecules. Note that the value of the parameters f tissue or tissue is independent of the value of b2 used in the acquisition of images, since it is a characteristic of the patient's tissue.
El valor de los parámetros ftejido o Dtejido para cada tipo de tejido presente en el área del paciente que se está analizando puede ser conocido de antemano. Por ejemplo, es posible obtenerlos a partir de bases de datos conocidas o bibliografía existente. Alternativamente, es posible realizar un estudio previo a la transformación del mapa ADC de un paciente para determinar valores promedio de los parámetros ftejido, Dtejido y D*tejido para cada tipo de tejido en una determinada muestra de pacientes.The value of the tissue or tissue parameters for each type of tissue present in the area of the patient being analyzed can be known in advance. For example, they can be obtained from known databases or existing bibliography. Alternatively, it is possible to perform a study prior to the transformation of the ADC map of a patient to determine average values of the parameters f tissue, D tissue and D * tissue for each type of tissue in a given sample of patients.
Por tanto, de acuerdo con una realización preferente de la invención, el procedimiento comprende además el paso previo de determinar el valor de los parámetros ftejido o Dtejido de cada tipo de tejido a partir de datos de una muestra de pacientes.Therefore, according to a preferred embodiment of the invention, the method further comprises the previous step of determining the value of the tissue or tissue parameters of each type of tissue from data from a sample of patients.
Más preferentemente, dicho paso previo de determinar el valor de los parámetros ftejido o Dtejido de cada tipo de tejido a partir de datos de una muestra de pacientes comprende los siguientes pasos:More preferably, said prior step of determining the value of the tissue or tissue parameters of each type of tissue from data from a sample of patients comprises the following steps:
i) Para cada paciente de la muestra de pacientes, a partir de varias imágenes DWI adquiridas utilizando diferentes valores del parámetro b2, con b1 común, obtener al menos cuatro pares de datos (S(b2), b2) de píxeles correspondientes a un tipo de tejido.i) For each patient in the patient sample, from several DWI images acquired using different values of the parameter b2, with common b1, obtain at least four pairs of data (S (b2), b2) of pixels corresponding to a type of tissue.
ii) Para cada paciente de la muestra de pacientes, determinar el valor de los parámetros ftejidopaciente, Dtejidopaciente, y D*tejidopaciente de cada píxel de dicho tipo de tejido mediante el ajuste de la ecuación (3) descrita anteriormente:ii) For each patient in the patient sample, determine the value of the parameters fpatient tissue, Dpatient tissue, and D * patient tissue of each pixel of said tissue type by adjusting equation (3) described above:
iii) Promediar, entre todos los pacientes de la muestra de pacientes y los píxeles de dicho tipo de tejido, los valores de los parámetros ftejidopaciente, Dtejidopaciente, y D*tejidopaciente para obtener unos valores promedio ftejido, Dtejido, y D*tejido de dicho tipo de tejido.iii) Average, among all the patients in the patient sample and the pixels of said tissue type, the values of the parameters ftissuepatient, Dtissuepatient, and D * patient tissue to obtain average values ftissue, Dtissue, and D * tissue of said type of tissue.
Es decir, para cada paciente se obtienen al menos cuatro imágenes, por ejemplo respectivamente correspondientes a valores de b2=0, b2 bajo, b2 moderadamente alto, y b2 alto. Para los píxeles correspondientes a un determinado tipo de tejido, se determinan entonces los parámetros ftejidopaciente, Dtejidopaciente, y D*tejidopaciente de ese paciente particular. Promediando los valores de los parámetros obtenidos entre todos los píxeles de ese tipo de tejido y entre todos los pacientes de una muestra de pacientes suficientemente grande, se obtiene un valor promedio de los parámetros ftejido, Dtejido, y D*tejido para ese tipo de tejido.That is, for each patient at least four images are obtained, for example respectively corresponding to values of b2 = 0, b2 low, b2 moderately high, and b2 high. For pixels corresponding to a certain tissue type, the parameters fpatient tissue, Dpatient tissue, and D * patient tissue of that particular patient are then determined. Averaging the values of the parameters obtained among all the pixels of that tissue type and among all the patients of a sufficiently large sample of patients, an average value of the parameters f tissue, D tissue, and D * tissue for that tissue type is obtained. .
BREVE DESCRIPCIÓN DE LAS FIGURASBRIEF DESCRIPTION OF THE FIGURES
La Fig. 1 muestra un ejemplo de mapa ADC de acuerdo con la técnica anterior.Fig. 1 shows an example of an ADC map according to the prior art.
La Fig. 2 muestra gráficamente un ejemplo de curva S(b) correspondiente a un vóxel determinado donde se aprecia el efecto de la perfusión.Fig. 2 graphically shows an example of curve S (b) corresponding to a determined voxel where the effect of perfusion is appreciated.
La Fig. 3 muestra gráficamente la interpretación geométrica del valor ADC para un vóxel determinado.Fig. 3 graphically shows the geometric interpretation of the ADC value for a given voxel.
La Fig. 4 muestra gráficamente la forma del modelo IVIM utilizado en la presente invención.Fig. 4 graphically shows the shape of the IVIM model used in the present invention.
REALIZACIÓN PREFERENTE DE LA INVENCIÓNPREFERRED EMBODIMENT OF THE INVENTION
Se describe ahora el desarrollo matemático que a partir del cual surge la invención, así como un ejemplo particular de cálculo de un valor ADCb partiendo de un valor ADCa conocido utilizando el procedimiento de la presente invención.The mathematical development from which the invention arises is now described, as well as a particular example of calculating an ADCb value starting from a known ADCa value using the method of the present invention.
Justificación matemáticaMathematical justification
Como se ha comentado anteriormente, la ecuación (3) corresponde al modelo IVIM:As mentioned above, equation (3) corresponds to the IVIM model:
S (b) = S0 ((1 - f ) e ~b-Dw*> f te ..do . e -b-D*tejld0^ S ( b) = S0 ((1 - f) e ~ b-Dw *> f te ..do . E -bD * tejld0 ^
Ahora bien, esta ecuación puede simplificarse teniendo en cuenta que, para valores de b2 elevados, D*tejido>>Dtejido. En efecto, convencionalmente para la adquisición de mapas ADC normalmente se utiliza un b1 igual a 0 s/mm2 y un b2 que puede adoptar valores entre 650 y 3000 s/mm2. Para valores de b2 dentro de este rango, el coeficiente de difusión real Dtejido es mucho menor que el coeficiente de pseudodifusión D*tejido. El motivo es que la velocidad a la que la sangre circula por los microvasos presentes en el vóxel es mucho mayor que aquella a la que se difunden las moléculas de agua por el tejido extravasal y extracelular.Now, this equation can be simplified taking into account that, for high values of b2, D * tissue >> Dweave. Indeed, conventionally for the acquisition of ADC maps a b1 equal to 0 s / mm2 and a b2 that can adopt values between 650 and 3000 s / mm2 is used. For values of b2 within this range, the actual diffusion coefficient D tissue is much lower than the pseudo-diffusion coefficient D * tissue. The reason is that the speed at which the blood circulates through the microvessels present in the voxel is much greater than that at which the water molecules diffuse through the extravasal and extracellular tissue.
Por tanto, teniendo en cuenta que D*tejido>>Dtejido, la ecuación anterior puede simplificarse:Therefore, taking into account that D * tissue >> Dweave, the above equation can be simplified:
Ahora bien, teniendo en cuenta la definición de ADC de la ecuación (1):Now, taking into account the definition of ADC from equation (1):
S(b ) = S0e~bADC S ( b ) = S0e ~ bADC
Si igualamos las dos expresiones anteriores:If we match the two previous expressions:
S0e~b ADC = S0(1 - ftejido)e~b’Dte¡ldo S0e ~ b ADC = S0 (1 - fweave) e ~ b'Dte¡ldo
Operando, se obtiene:Operating, we obtain:
ADC(b) = ^ t e j id o + ^ l n ^ 7 ^ )ADC (b) = ^ tej id o + ^ ln ^ 7 ^)
Por lo tanto, para dos mapas ADC obtenidos utilizando diferentes valores de b2 (b2a, b2b), se obtiene:Therefore, for two ADC maps obtained using different values of b2 (b2a, b2b), we obtain:
Operando con estas dos ecuaciones, es posible determinar ADC(b2b) en función del parámetro Dtejido o bien en función del parámetro ftejido. Se obtienen las ecuaciones (4) y (5) mencionadas anteriormente: Operating with these two equations, it is possible to determine ADC (b2b) as a function of the Dweave parameter or as a function of the fweave parameter. Equations (4) and (5) mentioned above are obtained:
Descripción de un ejemplo particularDescription of a particular example
Para un sujeto de pruebas se obtienen imágenes de referencia anatómica potenciadas en T1 de alta resolución y se segmentan las estructuras subcorticales. Para el cálculo de los mapas ADCa y ADCb se obtienen las imágenes potenciadas en difusión usando ba=(0 s/mm2, 1500 s/mm2) y bb=(0 s/mm2, 1000 s/mm2), respectivamente. Para la obtención de los parámetros f, D y D* de las distintas estructuras se obtienen imágenes potenciadas en difusión con valores b=(0 s/mm2, 15 s/mm2, 30 s/mm2, 65 s/mm2, 300 s/mm2, 685 s/mm2, 1000 s/mm2, 1175 s/mm2, 1350 s/mm2, 1500 s/mm2).High resolution T1-weighted anatomical reference images are obtained for a test subject and the subcortical structures are segmented. For the calculation of the ADCa and ADCb maps, the diffusion-weighted images are obtained using ba = (0 s / mm2, 1500 s / mm2) and bb = (0 s / mm2, 1000 s / mm2), respectively. To obtain the parameters f, D and D * of the different structures, diffusion-weighted images are obtained with values b = (0 s / mm2, 15 s / mm2, 30 s / mm2, 65 s / mm2, 300 s / mm2, 685 s / mm2, 1000 s / mm2, 1175 s / mm2, 1350 s / mm2, 1500 s / mm2).
Los parámetros IVIM obtenidos para el putamen son f=0,072, D= 690 mm2/s y D*= 18373 mm2/s mientras que los valores medios ADC son 732 mm2/s para b = 1500 s/mm2 y 770 mm2/s para b = 1000 s/mm2:The IVIM parameters obtained for the putamen are f = 0.072, D = 690 mm2 / s and D * = 18373 mm2 / s while the mean ADC values are 732 mm2 / s for b = 1500 s / mm2 and 770 mm2 / s for b = 1000 s / mm2:
Aplicando las ecuaciones (4) y (5) sobre los píxeles del mapa ADC obtenidos con b = 1500 s/mm2 para corregir el valor de b y hacerlo equivalente al obtenido con b = 1000 s/mm2, se obtienen un valores medios en el putamen de 756 mm2/s y 784 mm2/s, respectivamente.Applying equations (4) and (5) on the pixels of the ADC map obtained with b = 1500 s / mm2 to correct the value of b and make it equivalent to that obtained with b = 1000 s / mm2, mean values are obtained in the putamen 756 mm2 / s and 784 mm2 / s, respectively.
Por tanto, aplicando el método propuesto la diferencia entre los mapas obtenidos con b=1500 s/mm2 y b=1000 s/mm2 pasa de ser -4,94% a un -1,7% y 1,8% si se usan las ecuaciones (4) y (5), respectivamente. Therefore, applying the proposed method, the difference between the maps obtained with b = 1500 s / mm2 and b = 1000 s / mm2 goes from -4.94% to -1.7% and 1.8% if the equations (4) and (5), respectively.
Claims (3)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201830215A ES2724599B2 (en) | 2018-03-06 | 2018-03-06 | ADC map transformation procedure |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201830215A ES2724599B2 (en) | 2018-03-06 | 2018-03-06 | ADC map transformation procedure |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2724599A1 ES2724599A1 (en) | 2019-09-12 |
| ES2724599B2 true ES2724599B2 (en) | 2020-08-21 |
Family
ID=67858359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201830215A Expired - Fee Related ES2724599B2 (en) | 2018-03-06 | 2018-03-06 | ADC map transformation procedure |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2724599B2 (en) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5619448B2 (en) * | 2009-08-20 | 2014-11-05 | 株式会社東芝 | Magnetic resonance imaging system |
| DE102009049402B4 (en) * | 2009-10-14 | 2012-09-27 | Siemens Aktiengesellschaft | Correcting Distortions in Diffusion-Weighted Magnetic Resonance Imaging |
| US10234528B2 (en) * | 2014-09-18 | 2019-03-19 | Siemens Aktiengesellschaft | Method and apparatus to correct noise effects in quantitative techniques in magnetic resonance imaging |
-
2018
- 2018-03-06 ES ES201830215A patent/ES2724599B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| ES2724599A1 (en) | 2019-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| O’Donnell et al. | New approaches to estimation of white matter connectivity in diffusion tensor MRI: Elliptic PDEs and geodesics in a tensor-warped space | |
| Wedeen et al. | Diffusion spectrum magnetic resonance imaging (DSI) tractography of crossing fibers | |
| Baeßler et al. | A systematic evaluation of three different cardiac T2-mapping sequences at 1.5 and 3T in healthy volunteers | |
| JP5865262B2 (en) | Electrical property tomographic imaging method and system | |
| Niesporek et al. | Partial volume correction for in vivo 23Na-MRI data of the human brain | |
| Mandelli et al. | Quantifying accuracy and precision of diffusion MR tractography of the corticospinal tract in brain tumors | |
| Roebroeck et al. | High-resolution diffusion tensor imaging and tractography of the human optic chiasm at 9.4 T | |
| CN103781416B (en) | Use the comprehensive cardiovascular analysis of body phase-contrast MRI | |
| JP6679467B2 (en) | Magnetic resonance imaging apparatus and method for calculating oxygen uptake rate | |
| US8488859B2 (en) | Method for fat fraction quantification in magnetic resonance imaging | |
| Barral et al. | Diffusion-weighted MR imaging of the normal pancreas: reproducibility and variations of apparent diffusion coefficient measurement at 1.5-and 3.0-Tesla | |
| van der Zwaag et al. | Distortion-matched T1 maps and unbiased T1-weighted images as anatomical reference for high-resolution fMRI | |
| RU2011143800A (en) | TWO-POINT DIXON METHOD WITH FLEXIBLE CHOICE OF ECHO TIME | |
| JP6907209B2 (en) | Quantitative magnetic susceptibility mapping image segmentation | |
| Moore et al. | Spiral artery blood volume in normal pregnancies and those compromised by pre‐eclampsia | |
| Goldau et al. | Fiber stippling: An illustrative rendering for probabilistic diffusion tractography | |
| Barbieri et al. | Segmentation of fiber tracts based on an accuracy analysis on diffusion tensor software phantoms | |
| Hsieh et al. | An improved method for susceptibility and radius quantification of cylindrical objects from MRI | |
| Ehricke et al. | Visualizing MR diffusion tensor fields by dynamic fiber tracking and uncertainty mapping | |
| ES2724599B2 (en) | ADC map transformation procedure | |
| Polders et al. | Uncertainty estimations for quantitative in vivo MRI T1 mapping | |
| Arfanakis et al. | Optimization of white matter tractography for pre-surgical planning and image-guided surgery | |
| KR20170118540A (en) | Method and apparatus for processing medical image | |
| Harigai et al. | Non–contrast-enhanced MR venography of the upper limb: a comparative study of acquisitions with fresh blood imaging vs. time-of-flight methods | |
| Bouchard et al. | Multiple-quantum vector field imaging by magnetic resonance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2724599 Country of ref document: ES Kind code of ref document: A1 Effective date: 20190912 |
|
| FG2A | Definitive protection |
Ref document number: 2724599 Country of ref document: ES Kind code of ref document: B2 Effective date: 20200821 |
|
| FD2A | Announcement of lapse in spain |
Effective date: 20240401 |