Οι εξελιγμένες τεχνικές απεικόνισης Πυρηνικού Μαγνητικού Συντονισμού, όπως είναι η απεικόνιση της Μοριακής Διάχυσης (Diffusion Weighted Imaging, DWI), η απεικόνιση του Τανυστού Διάχυσης (Diffusion Tensor Imaging, DTI), η δυναμική απεικόνιση της Αιμάτωσης (Dynamic- Susceptibility Contrast Imaging, DSCI) και η απεικόνιση Φάσης-Αντίθεσης (Phase-Contrast MRI) συμπληρώνουν την ανατομική απεικόνιση MRI με σκοπό να αυξήσουν την διαγνωστική ακρίβεια. Παρά την σημαντική τους διαγνωστική αξία στον χαρακτηρισμό εξεργασιών του εγκεφάλου και του μαστού, οι τεχνικές αυτές δεν έχουν ενσωματωθεί πλήρως στα απεικονιστικά πρωτόκολλα. Για να επιτευχθεί αυτό είναι αναγκαίο να κατανοηθούν οι παράμετροι που επιδρούν σημαντικά στην αξιοπιστία των εν λόγω τεχνικών, η σωστή ρύθμιση των οποίων οδηγεί στην εξαγωγή ασφαλών συμπερασμάτων. Επιπροσθέτως, η ενσωμάτωση των εξελιγμένων τεχνικών απεικόνισης στην κλινική ρουτίνα προϋποθέτει την συσχέτιση των ευρημάτων διάχυσης και αιμάτωσης με συγκεκριμένους τύπους παθολογίας, καθώς και την αξιολόγηση της διαγνωστικής τους αξίας για την διαφοροποίηση βλαβών με υψηλό διαφοροδιαγνωστικό ενδιαφέρον. Τα αποτελέσματα της παρούσας διδακτορικής διατριβής αναδεικνύουν ότι οι δείκτες διάχυσης και αιμάτωσης παρέχουν πολύτιμες δομικές και λειτουργικές πληροφορίες σε κυτταρικό επίπεδο, οι οποίες σε συνδυασμό με την ανατομική πληροφορία αναδεικνύουν την υποκείμενη παθοφυσιολογία. Ειδικότερα, κατέστη σαφές ότι ο συνδυασμός και η συναξιολόγηση των παραμέτρων παρέχει το βέλτιστο διαγνωστικό αποτέλεσμα.Εντούτοις, η διαχείριση, η ανάλυση και η αξιολόγηση των παραμέτρων σε συνδυασμό με την αριθμητική τους φύση αποτελεί χρονοβόρα διαδικασία, με αποτέλεσμα συχνά να παραμένουν αναξιοποίητες. Συνεπώς, αυξάνεται συνεχώς η ανάγκη αυτόματης διαχείρισης των δεδομένων διάχυσης και αιμάτωσης με σκοπό την έγκαιρη υποβοήθηση της διαφορικής διάγνωσης σε πραγματικό κλινικό χρόνο. Για τον λόγο αυτό τα τελευταία χρόνια διερευνάται η χρήση εξελιγμένων τεχνικών ανάλυσης δεδομένων, όπως είναι οι τεχνικές αναγνώρισης προτύπου (pattern recognition techniques) και συγκεκριμένα οι αλγόριθμοι μηχανικής εκμάθησης και ταξινόμησης (machine learning algorithms). Οι τεχνικές αυτές επιτρέπουν την διαχείριση και τον συνδυασμό πληθώρας αριθμητικών δεδομένων που σχετίζονται με πολύπλοκες γραμμικές ή μη γραμμικές σχέσεις. Το κυριότερο όμως πλεονέκτημα τους είναι η αυτόματη και ταχεία ανάλυση και συναξιολόγηση της ιατρικής πληροφορίας, γεγονός που επιτρέπει την εισαγωγή τέτοιων τεχνικών στην κλινική ρουτίνα με σκοπό την υποβοήθηση της διαφορικής διάγνωσης. Προς αυτή την κατεύθυνση, ολοκληρώνοντας την συλλογή, επεξεργασία, ανάλυση και αξιολόγηση των πολύπλοκων παραμέτρων διάχυσης και αιμάτωσης για την διαφοροποίηση εξεργασιών του εγκεφάλου, πραγματοποιήθηκε εισαγωγή των δεδομένων σε ένα αυτοματοποιημένο λογισμικό, με σκοπό να αποτελέσουν μέρος της συνολικής διαγνωστικής πληροφορίας για την υποβοήθηση της διαφορικής διάγνωσης σε πραγματικό κλινικό χρόνο, προς όφελος του ασθενούς. Το εν λόγω λογισμικό στηρίζεται σε αλγορίθμους μηχανικής εκμάθησης και μεθόδους αναγνώρισης προτύπων. Τέλος, αναπτύχθηκε και ενσωματώθηκε ένα εργαλείο εκμάθησης των εξελιγμένων τεχνικών διάχυσης και αιμάτωσης, με σκοπό να συμβάλλει στην επιμόρφωση και εκπαίδευση κυρίως νέων επιστημόνων, παρέχοντας πληροφορία τόσο σε θεωρητικό όσο και σε κλινικό επίπεδο.
The advanced MRI techniques, such as Diffusion Weighted Imaging (DWI, DTI, DSCI), Diffusion Tensor Imaging (DTI), Dynamic Susceptibility Contrast Imaging (DSCI) and Phase-Contrast Imaging (PC), provide useful information that reflect cellular processes and complete conventional MRI.Despite their important diagnostic value in brain and breast tumor characterization, these techniques have not yet been fully integrated in the MR imaging protocols. In order for this to happen, it is important to understand the parameters that significantly affect the reliability of these techniques, and which should be properly selected in order to provide accurate results. Furthermore, the integration of advanced imaging techniques in the clinical routine requires the correlation of diffusion and perfusion metrics to certain pathologies, as well as the evaluation of their diagnostic value in common differential diagnostic problems. The results of the current PhD dissertation accent that the diffusion and perfusion indices provide valuable structural and functional information in a cellular level, highlighting the underlying pathophysiological mechanisms of tumors. However, the most important observation is that the combination and coevaluation of diffusion and perfusion parameters improves the diagnostic outcome.Nevertheless, the management, analysis and evaluation of these parameters combined with their numeric nature, is a time consuming process, hence in many cases these important diagnostic indices remain unexploited during the clinical routine. Therefore, the need for the automated evaluation and management of diffusion and perfusion data, in order to assist differential diagnosis, is continuously increasing. Towards this direction, the last years the application of advanced data analysis techniques is investigated, such as pattern recognition techniques and specifically machine learning algorithms. These methods allow the management of a large number of quantitative data that are correlated with complicated linear or non-linear relationships. However, the most important aspect of these techniques is that they provide an automated and rapid analysis and coevaluation of the overall clinical information, which enables the integration of diffusion and perfusion techniques in the MR imaging protocols in order to aid differential diagnosis. Hence, from the current PhD thesis, the complex diffusion and perfusion MR data from space occupying brain lesions, were inserted to an automated software -after their thorough processing, analysis and evaluation-, in order to become a part of the overall diagnostic information obtained, and consequently assist the differential diagnostic process in real clinical time. The related software is based on machine learning algorithms and pattern recognition techniques.Finally, a training tool has been developed and integrated into the software in order to contribute to the education and training of young scientists by providing information on a theoretical as well as on a clinical level.
National Documentation Centre (EKT)
