Il problema clinico affrontato in questo studio nasce dall’interesse rivolto alla fibrosi miocardica, una patologia del muscolo cardiaco che può essere causata da molteplici fattori. Ad oggi soltanto la biopsia permette una diagnosi affidabile e una caratterizzazione istologica ma in maniera altamente invasiva, per tale ragione diventa di fondamentale aiuto la Risonanza Magnetica Cardiaca che permette la diagnosi della patologia in maniera non invasiva. Con la tecnica nota con il nome di Late Delayed-contrast Enhancement (LGE) oggi è possibile ottenere una misurazione accurata dell’area necrotica e della localizzazione delle regioni fibrotiche.
L’idea di questo studio è nata dalla considerazione che attualmente l’identificazione delle regioni interessate da fibrosi viene effettuata tramite algoritmi di segmentazione a soglia, ed in particolare tramite le tecniche n-SD e FWHM, che richiedono l’intervento di un operatore esperto e di conseguenza i risultati ottenuti dipendono altamente dal suo giudizio. Inoltre, queste metodiche si basano su modelli del segnale RM semplificati.
Partendo da tali osservazioni in questo lavoro è stato scelto di sviluppare una versione automatica degli algoritmi n-SD e FWHM, basata sul fitting del segnale del miocardio complessivo, con l’obiettivo di rendere la valutazione indipendente dall’operatore. Inoltre, è stato proposto un nuovo approccio (metodo PVE) per superare i limiti del modello semplificato introducendo dei parametri che modellizzano in maniera più realistica il segnale del miocardio. Nella prima fase del lavoro i metodi sviluppati sono stati applicati ad immagini fantoccio realizzate tramite il calcolatore. Gli esperimenti fatti hanno mostrato che gli algoritmi n-SD e FWHM sono confrontabili con la versione semi-automatica utilizzata oggi nella pratica, e l’algoritmo PVE ha mostrato performance paragonabili a quelle dei metodi FWHM e 5SD. Nella seconda fase gli algoritmi sono stati ottimizzati per poter essere applicati ad immagini di RMI reali di 20 pazienti in cui precedentemente era stata diagnosticata la necrosi del miocardio. Dall’analisi statistica dei risultati ottenuti dalla segmentazione è emerso che i metodi n-SD automatici sono confrontabili con la versione automatica, ma per valori di n differenti, ed in particolare il metodo 3SD presenta performance simili al metodo 6SD semi- automatico. Per quanto riguarda il metodo FWHM automatico questo è risultato equivalente alla versione semi-automatica. Infine, il metodo PVE ha mostrato buoni risultati ma presenta efficacia minore rispetto agli altri algoritmi con il vantaggio però di non dipendere dalla scelta del parametro
n per la determinazione della soglia. Quanto appena descritto ripercorre brevemente il lavoro svolto
e i risultati ottenuti ma è possibile fare alcune considerazioni che possono rappresentare eventuali limiti o spunti per sviluppi futuri.
130 Gli algoritmi automatici sviluppati si basano sulla modellizzazione del segnale RM tramite una procedura di fitting con un modello non lineare a sei parametri. L’utilizzo di un algoritmo di fitting, basato sull’algoritmo di minimizzazione dei quadrati di Levenberg-Marquardt, e l’utilizzo di un approccio Multi-Start ha permesso di sviluppare una procedura efficace per la stima dei parametri che funziona correttamente entro il range dei parametri e di SNR attesi in clinica, come dimostrano i risultati ottenuti con i fantocci. Si è consapevoli tuttavia che le prove effettuate sul fantoccio, trattandosi di immagini ideali, sono servite unicamente a verificare il funzionamento degli algoritmi automatici, e i risultati ottenuti non possono essere utilizzati per la validazione degli stessi.
Infine, dall’analisi dei risultati ottenuti applicando il metodo PVE alle immagini dei pazienti è emerso che il modello sviluppato, nonostante la procedura di fitting funzioni correttamente, non tiene conto di altri fattori che probabilmente influiscono sul segnale. Bisogna tuttavia sottolineare che l’algoritmo è stato applicato ad immagini di pazienti con infarto. Sarebbe dunque interessante applicare il metodo anche ad immagini di pazienti con fibrosi in quanto per i risultati ottenuti con i fantocci il metodo PVE risulta avere maggiore efficacia.
Il lavoro dunque potrebbe essere approfondito concentrandosi sul miglioramento del modello, e di conseguenza della procedura di fitting, riadattandolo in maniera tale da tenere conto dell’influenza che il segnale RM subisce al variare dei parametri fisiologici dei pazienti coinvolti e di eventuali artefatti da attenuazione verificatisi durante l’acquisizione.
Gli obiettivi futuri comprendono la volontà di proseguire il percorso intrapreso in questo studio nella speranza che tale lavoro, con le ulteriori opportune modifiche, possa trovare effettiva applicazione in ambito biomedico per scopi diagnostici.
131
BIBLIOGRAFIA
[1] T.A. Treibel et al. Myocardial Tissue Characterization: Histological and Pathophysiological
Correlation. Curr. Cardiovasc. Imaging Rep. 2014;7(3):9254.
[2] Bharath Ambale-Venkatesh et al. Cardiac MRI: a central prognostic tool in myocardial fibrosis.
Nat Rev Cardiol. 2015 Jan;12(1):18-29. doi: 10.1038/nrcardio.2014.159
[3] Schulz-Menger et al. Standardized image interpretation and post processing in cardiovascular
magnetic resonance: Society for Cardiovascular Magnetic Resonance (SCMR) Board of Trustees Task Force on Standardized Post Processing. J. Cardiovasc. Magn. Reson. 2013 May 1;15:35. doi:
10.1186/1532-429X-15-35.
[4] Kramer et al. Standardized Protocols. Standardized cardiovascular magnetic resonance (CMR)
protocols 2013 update. J. Cardiovasc. Magn. Reson. 2013 Oct 8;15:91. doi: 10.1186/1532-429X-15- 91.
[5] Raymond Y. Kwong et al. Measuring Myocardial Scar by CMR. JACC Cardiovasc Imaging. 2011
Feb;4(2):157-60. doi: 10.1016/j.jcmg.2010.12.004.
[6] Manuel D. Cerqueira et al. Standardized myocardial segmentation and nomenclature for
tomographic imaging of the heart. A statement for healthcare professionals from the Cardiac Imaging Committee of the Council on Clinical Cardiology of the American Heart Association. Int. J. Cardiovasc. Imaging. 2002 Feb;18(1):539-42
[7] M. Chiara Carminati et al. Comparison of Image Processing Techniques for Nonviable Tissue
Quantification in Late Gadolinium Enhancement Cardiac Magnetic Resonance Images. J. Thorac Imaging. 2016 May;31(3):168-76. doi: 10.1097/RTI.0000000000000206.
[8] Andrew S. Flett et al. Evaluation of Techniques for the Quantification of Myocardial Scar of
Differing Etiology Using Cardiac Magnetic Resonance. JACC Cardiovasc Imaging. 2011 Feb;4(2):150-6. doi: 10.1016/j.jcmg.2010.11.015.
[9] R.Passariello & G.Simonetti. Compendio di radiologia, III Edizione, IDRLSON-GNOCCHI [10] Mihaela Pop et al. Quantification of fibrosis in infarcted swine hearts by ex vivo late gadolinium-
enhancement and diffusion-weighted MRI methods. Phys Med Biol. 2013 Aug 7;58(15):5009-28. doi:
132 [11] Anja Hennemuth et al. A comprehensive approach to the analysis of contrast enhanced cardiac
MR images. IEEE Trans. Med. Imaging. 2008 Nov;27(11):1592-610. doi:
10.1109/TMI.2008.2006512.
[12] Tao Q. et al. Automated segmentation of myocardial scar in late enhancement MRI using
combined intensity and spatial information. Magn. Reson. Med. 2010 Aug;64(2):586-94. doi:
10.1002/mrm.22422.
[13] Donato Mele et al. La risonanza magnetica nella valutazione del paziente da sottoporre a
resincronizzazione cardiaca. Vantaggi, limiti e prospettive. Il Pensiero Scientifico Editore.
[14] F. Santarelli, V. Positano. Appunti del Corso di Bioimmagini.
[15] L. Landini, V. Positano & F. Santarelli. Advanced Image processing MRI.Taylor & Francis Group, LLC.
[16] Constantinides CD et al. Signal-to-noise measurements in magnitude images from NMR phased
arrays. Magn Reson Med. 1997 Nov;38(5):852-7.
[17] V. Positano et al. Non-compact myocardium assessment by cardiac magnetic resonance:
dependence on image analysis method.Int. J. Cardiovasc. Imaging. 2018 Aug;34(8):1227-1238. doi:
10.1007/s10554-018-1331-3
[18] Craig B. Markwardt, NASA/GSFC Code 662, Greenbelt, MD 20770.
https://cow.physics.wisc.edu/~craigm/idl/mpfittut.html
[19] G.D. Aquaro et al. Quantitative analysis of late gadolinium enhancement in hypertrophic
cardiomyopathy. J. Cardiovasc. Magn. Reson. 2010 Apr 7;12:21. doi: 10.1186/1532-429X-12-21.
[20] Pepe A. et al. Prediction of cardiac complications for thalassemia major in the widespread
cardiac magnetic resonance era: A prospective multicentre study by a multi-parametric approach. Eur Heart J Cardiovasc Imaging. 2018 Mar 1;19(3):299-309. doi: 10.1093/ehjci/jex012.
[21] G. Di Bella et al. High-risk patients with mild-moderate left ventricular dysfunction after a
previous myocardial infarction. A long-term prognostic data by cardiac magnetic resonance. Int. J. Cardiol. 2017 Oct 15;245:13-19. doi: 10.1016/j.ijcard.2017.07.064.
[22] M. Casale et al. Multiparametric cardiac magnetic resonance survey in children with
thalassemia major: A multicenter study. Circ Cardiovasc Imaging. 2015 Aug;8(8):e003230. doi: