Enhancing brain tumor diagnosis with Synthetic MRI

Abstract

Malignant gliomas are the most common primary brain tumors in adults. This family of brain tumors includes different types that differ in their genetic characteristics and prognostic outcomes, the latter being generally unfavorable. Survival is especially poor in high-grade gliomas such as glioblastomas, so in those cases predicting the expected survival is crucial for efficient surgery and treatment planning.

As for diagnosis, in clinical practice this is commonly performed by magnetic resonance imaging (MRI) and, in particular, by visual inspection of the weighted images. The standard MRI protocol for brain tumor assessment includes (at least) four different weighted images: T1-weighted, T2-weighted, FLAIR and T1-weighted after injection of a gadolinium-based contrast agent (GBCA). The latter is used to evaluate blood brain barrier breakdown, a condition displayed on the image as signal enhancement caused by the contrast agent extravasation into the perivascular space. This diagnostic procedure has two main limitations; on the one hand, the qualitative nature of the weighted images hinders the usage of quantitative methods. On the other hand, the usage of GBCAs can trigger adverse effects that under certain circumstances can be severe, in addition to increasing the scan time and cost.

In contrast, quantitative MRI is based on the computation of the tissue magnetic properties themselves, collectively known as parametric maps. These properties are the longitudinal relaxation time (T1), transverse relaxation time (T2) and proton density (PD). Parametric maps present an absolute scale and are generally considered more robust than weighted images. Recently, a new paradigm, Synthetic MRI, has gained popularity; it is based on the T1, T2, and PD parametric maps computation, followed by the synthesis of several weighted images from these maps. As a result, this procedure can enhance efficiency and diagnosis.

Parametric maps computation can be performed by means of traditional relaxometry sequences. However, the long scan time of these sequences hampers their usage in clinical practice. Alternatively, fast multiparametric mapping techniques have been recently proposed. Although these techniques are faster than relaxometry sequences, they still imply a not negligible acquisition time. In addition, they usually require specific sequences or commercial products that are scarcely available on clinical scanners.

Deep learning approaches could also be an alternative for the computation of parametric maps from conventional and, therefore, widely available weighted images. Thus, parametric maps could be easily computed both on pre-existing databases as well as on new acquisitions without increasing scan time. However, the lack of public datasets containing weighted images and their corresponding parametric maps could be one of the main limitations that hinders the usage of deep learning.

In this Thesis we propose to enhance the diagnosis of brain tumors following a Synthetic MRI paradigm. The computation of T1, T2, and PD parametric maps have been performed with deep learning from conventional weighted images acquired with routine protocols. After that, different types of weighted images have been successfully synthesized out of the parametric maps. Several solutions have been proposed to overcome the lack of public datasets with parametric maps. In particular, training based on synthetic data and self-supervised learning strategies, which enable the training from only weighted images. In addition, both the synthesized weighted images and the computed parametric maps have been employed in different applications to improve brain tumor diagnosis. Specifically, predicting both the expected survival of glioblastoma patients and the post-contrast T1-weighted-enhanced tissues without the injection of a GBCA.

El glioma maligno es el tumor cerebral primario más común en adultos. Esta familia de tumores cerebrales incluye distintos tipos que se diferencian por sus características genéticas y el pronóstico esperado, siendo este último en general desfavorable. La supervivencia esperada es especialmente baja en los gliomas de alto grado como los glioblastomas, por lo que en esos casos predecir la supervivencia es una tarea crucial para la planificación eficiente de cirugía y tratamiento.

En lo que se refiere al diagnóstico, este es comúnmente realizado mediante imagen de resonancia magnética (IRM) y, en particular, mediante inspección visual de imágenes ponderadas. El protocolo estándar de resonancia magnética para evaluar tumores cerebrales incluye, al menos, cuatro imágenes ponderadas: ponderada en T1, ponderada en T2, FLAIR y ponderada en T1 después de la inyección de un agente de contraste a base de gadolinio. Está última se utiliza para evaluar la ruptura de la barrera hematoencefálica, condición manifestada en la imagen como realce de señal causado por la fuga de contraste al espacio perivascular. Este procedimiento presenta dos limitaciones principales: (a) la naturaleza cualitativa de las imágenes ponderadas dificulta el uso de métodos cuantitativos, y (b) el uso de agentes de contraste puede desencadenar efectos adversos que bajo ciertas circunstancias pueden ser severos, además de incrementar la duración y el coste de las pruebas.

Por el contrario la IRM cuantitativa intenta calcular directamente las propiedades magnéticas de los tejidos conocidas como mapas paramétricos. Estas son el tiempo de relajación longitudinal (T1), tiempo de relajación transversal (T2) y densidad protónica (PD). Estos parámetros presentan una escala absoluta y son considerados más robustos que las imágenes ponderadas. Recientemente, un nuevo paradigma, la IRM sintética, ha cobrado relevancia; este se basa en la computación de mapas paramétricos de T1, T2 y PD, seguido de la síntesis de imágenes ponderadas a partir de los mapas. Este procedimiento tiene la ventaja de mejorar la eficiencia de las pruebas y facilitar el diagnóstico.

El cálculo de los mapas paramétricos puede realizarse mediante relaxometría, sin embargo, su utilidad está limitada por su larga duración asociada. Como alternativa, se han propuesto técnicas multiparamétricas rápidas que alivian este problema aunque aún requieren un tiempo de adquisición no despreciable. Además, estás técnicas están asociadas a secuencias específicas o productos comerciales que normalmente no están disponibles en los escáneres clínicos.

Las técnicas de aprendizaje profundo podrían ser una alternativa para el cálculo de mapas paramétricos a partir de imágenes ponderadas convencionales y, por tanto, ampliamente disponibles. De este modo, los mapas paramétricos podrían calcularse tanto en bases de datos ya existentes, así como en nuevas adquisiciones sin incrementar el tiempo de las pruebas. Sin embargo, la falta de conjuntos de datos públicos que contengan imágenes ponderadas y los correspondientes mapas paramétricos asociados podría dificultar el uso de estas técnicas, las cuales, en principio, requieren grandes conjuntos de datos para su entrenamiento.

En esta Tesis proponemos mejorar el diagnóstico de tumores cerebrales siguiendo el paradigma de IRM sintética. El cálculo de los mapas paramétricos se ha realizado a partir de imágenes ponderadas convencionales haciendo uso de técnicas de aprendizaje profundo. Posteriormente, se han sintetizado con éxito diferentes tipos de imágenes ponderadas a partir de los mapas paramétricos. Distintas soluciones, como entrenamientos con datos sintéticos y estrategias de aprendizaje auto-supervisado, se han propuesto para solventar el problema de la falta de conjuntos de datos públicos con mapas paramétricos. Además, tanto las imágenes ponderadas sintetizadas como los mapas paramétricos computados se han empleado en diferentes aplicaciones para mejorar el diagnóstico de tumores cerebrales. En concreto, se han utilizado para predecir supervivencia en glioblastoma y tejidos tumorales con realce sin agentes de contraste.