Artículo original: Kim M, Jewells V. Multimodal Image Analysis for Assessing Multiple Sclerosis and Future Prospects Powered by Artificial Intelligence. Semin Ultrasound CT MR. 2020;41(3):309‐318.
DOI: https://doi.org/10.1053/j.sult.2020.02.005
Sociedad: N/A
Palabras clave: N/A
Abreviaturas y acrónimos: EM (esclerosis múltiple), EMRR (variante Remitente Recurrente de EM), cMRI (secuencias convencionales de resonancia magnética), qMRI (métodos de resonancia magnética cuantitativa), DTI (tensor de difusión), RM (resonancia magnética), fMRI (resonancia magnética funcional).
Línea editorial del número:
Seminars in Ultrasound, CT and MRI es una revista de publicación bimensual que revisa temas radiológicos, focalizándose en cada número en una temática que conforma su núcleo central. Este volumen 41, número 3 de Junio de 2020 tiene como pilar fundamental la esclerosis múltiple. Está constituido por 4 artículos de investigación centrados en esta temática y otro centrado en trastornos del espectro de la neuromielitis óptica.
Motivos para la selección:
El conocimiento de las técnicas cuantitativas de resonancia magnética es importante para el manejo óptimo de los pacientes; por ejemplo, de cara a predecir la evolución clínica, hay que intentar obtener la máxima cantidad de información de las imágenes radiológicas. En este sentido, el potencial papel que puede jugar la inteligencia artificial no es desdeñable. Por todo ello considero importante formarme es este sentido.
Resumen del artículo:
INTRODUCCIÓN
La esclerosis múltiple (EM) es una enfermedad inflamatoria del sistema nervioso central. Se caracteriza por inflamación focal progresiva, con la consecuente desmielinización axonal y pérdida neuronal. La edad de inicio típica son los 25 años, pudiendo condicionar discapacidades graves irreversibles. Los síntomas varían pero incluyen: disfunciones de movilidad, visión, sensitivas y de coordinación; así como deterioro cognitivo. Típicamente los pacientes comienzan con un primer episodio clínicamente aislado para, posteriormente, desarrollar una variante Remitente Recurrente de EM (EMRR). En menor medida, otro grupo desarrolla EM Primaria Progresiva sin recaídas. Más de la mitad de los pacientes con EMRR finalmente progresan a EM Secundariamente Progresiva (sin recaídas).
Las secuencias convencionales de resonancia magnética (cMRI) (T1,T2), son muy sensibles para la detección de lesiones de EM. El volumen de las lesiones en T1 presenta mayor correlación con la discapacidad, representada por las escalas clínicas, que el volumen de esas mismas lesiones en T2. A pesar de ello, hay estudios que sugieren que, la correlación entre atrofia y la progresión de la discapacidad, es más significativa que la correlación entre carga de la lesión y la progresión de la discapacidad. Aunque la cMRI es una herramienta necesaria, la correlación entre el número de lesiones y la gravedad de la discapacidad siguen siendo modesta (paradoja clínica-radiológica). Los métodos de RM cuantitativa (qMRI) como la carga de lesión, el tensor de difusión (DTI), la resonancia magnética funcional (fMRI), la transferencia de magnetización y el mapeo cuantitativo de susceptibilidad magnética pueden ayudar en la estratificación de la enfermedad, la correlación con los hallazgos clínicos y la evaluación de la eficacia del tratamiento. Para analizar con precisión la carga de lesiones y la atrofia, se emplean la extracción cerebral y la segmentación de tejidos. Para ello es necesario la realización de unos pasos previos de preprocesamiento.
Preprocesamiento de imagen
Los pasos de preprocesamiento generalmente utilizados incluyen la normalización del histograma y corrección de intensidad de no uniformidad que elimina ruidos y artefactos. La eliminación de tejido no cerebral también es crucial para facilitar la segmentación posterior de tejidos o lesiones cerebrales. Todos estos pasos se desarrollaron principalmente para imágenes T1-w. Las salidas resultantes del procesamiento de imágenes T1-w se alinean en el espacio de otras imágenes de RM.
Mejora de imagen
- Las normalizaciones de intensidad ajustan las intensidades en un rango fijo para lidiar con la considerable variación de intensidad de las imágenes; generalmente, a través del histograma de intensidad, adaptándolo al de una plantilla específica, para que todas las imágenes puedan tener de manera similar buen contraste de imagen.
- El sesgo de campo es un fenómeno de falta de homogeneidad de intensidad, observado incluso dentro del mismo tejido, y se corrige realizando una segmentación precisa de lesiones o tejidos cerebrales.
Sustracción del cráneo
El propósito es la extracción de tejidos no cerebrales como son: cráneo, duramadre, ojos, grasa y senos.
Normalización interindividual
Se utiliza una transformación rígida con 6 grados de libertad para alinear imágenes de diferentes modalidades para el mismo paciente. Sin embargo, para estudios de población, es necesario un registro deformable para eliminar el efecto de variaciones anatómicas sustanciales. Incluso después de aplicar la normalización de intensidad, quedan diferencias notables en los perfiles de intensidad, entorpeciendo el análisis automatizado de datos. Emplear un atlas público de plantilla puede ser una de las posibilidades o puede seleccionarse el modelo de una gran cohorte. El preprocesamiento y la extracción de cráneo deben hacerse antes de alinear a los sujetos en el espacio de la plantilla.En el registro generalmente se realiza una alineación afín de los sujetos respecto a una plantilla específica, y se estiman las dimensiones de los campos de deformación entre las imágenes alineadas linealmente. Por lo tanto, los vóxeles de todos los cerebros de cada sujeto individual, se transforman en el espacio de la plantilla, para que todas las imágenes puedan compartir el mismo sistema de coordenadas.
SEGMENTACIÓN DE TEJIDOS Y CÁLCULO DE LA ATROFIA
La atrofia cerebral y el adelgazamiento cortical sirven como biomarcadores de progresión de la EM. Una segmentación del tejido cerebral en sustancia gris y blanca, líquido cefalorraquídeo y fondo es esencial para la medición volumétrica precisa de la atrofia.
La atrofia muestra una correlación más alta con la discapacidad que la carga de lesiones. Por lo tanto, generalmente se dice que la atrofia representa la neurodegeneración con mayor precisión, mientras que la carga de lesión representa la inflamación. Además, el adelgazamiento cortical es un marcador que muestra una mayor correlación con las puntuaciones de deterioro cognitivo que la pérdida global de volumen cerebral.
ANÁLISIS DE LA CARGA DE LESIÓN
Es todo un desafío lograr reproducibilidad en la segmentación de las lesiones por muchas razones. El mayor reto es distinguir entre sustancia gris y lesiones, debido a la superposición de patrones de intensidad alrededor de las lesiones. Por esta razón la segmentación manual de lesiones aún supera a los métodos automatizados. A pesar de todo este método es vulnerable a la variabilidad inter e intra observador debido a la heterogeneidad de la lesión. Además, la segmentación manual es tediosa, menos reproducible y requiere expertos para delinear la lesión. Pueden ser también empleadas para el desempeño de esta tarea las herramientas semi-automáticas, utilizando una segmentación de umbral local. Por lo tanto, una herramienta de segmentación de lesiones precisa y automatizada, es necesaria para analizar grandes cohortes de manera objetiva, cuantitativa y eficaz. Aunque la precisión de los métodos automatizados ha mejorado, actualmente no hay herramienta estándar de software de segmentación de lesiones.
El aprendizaje basado en modelos tienen como objetivo optimizar el ejercicio de un clasificador, a través de un conjunto de datos de entrenamiento e imágenes y sus etiquetas establecidas previamente por expertos. Se busca optimizar una función no lineal que discrimine de la mejor manera el conjunto de datos de entrenamiento en etiquetas, pudiendo ser considerado como herramienta de clasificación automatizada. La segmentación de lesiones automatizada es un campo activo de investigación. La solución actual es la aplicación de uno de los programas automatizados para extraer lesiones, seguida de corrección manual o semi-automatizada por los profesionales clínicos.
CONECTIVIDAD
Conectividad estructural
La DTI define la desmielinización y la pérdida axonal mediante la cuantificación de difusión anisotrópica de agua, utilizando cuantificación de magnitud y dirección (es decir, anisotropía) del tejido cerebral. Por lo tanto, la DTI detecta el daño microestructural de la sustancia blanca. Se sabe que el daño microestructural del tejido que rodea las lesiones presenta una mayor correlación con la clínica que las lesiones mismas.
Conectividad funcional
La red funcional parece reorganizarse antes de la degeneración del tejido y cambia continuamente con el tiempo con la progresión de la enfermedad. Por lo tanto, construir redes cerebrales funcionales a partir de fMRI y analizar la topología, son tareas esenciales para el diagnóstico temprano y evaluación del pronóstico de los subtipos de EM.
Valoración personal:
Se trata de un artículo que maneja una terminología bastante técnica, ya que, al margen de ser un tema muy ligado al mundo de la tecnología, está redactado por una doctora en informática e ingeniería. Creo que es muy interesante leer este tipo de documentos para familiarizarnos con esta clase de conceptos pero, lo que he echado en falta, ha sido una mayor presencia de imágenes que ilustren los conceptos.
Pablo Sanz Bellón
Hospital Universitario Marqués de Valdecilla (Santander). R3.
pablosb22@gmail.com
cbseram.com 
Deja una respuesta