Detecção automática de lesões novas em exames consecutivos de pacientes com esclerose múltipla

• Autor(a) principal: Nather Junior, Julio Cesar
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/17/17158/tde-24082020-094901/
• topic: Artificial intelligence; Automatic lesion detection; Automatic segmentation; Detecção automática de lesões; Esclerose múltipla; Inteligência artificial; Multiple sclerosis; Segmentação automática; Volumetria; Volumetry

Embasamento: A Esclerose Múltipla (EM) é uma doença desmielinizante inflamatória restrita ao sistema nervoso central, caracterizada pela ocorrência de inflamação focal com distribuição perivenular. Os critérios diagnósticos da doença foram revisados em 2017, sendo conhecidos como critérios de McDonald e se baseiam nos princípios de dissociação temporal e espacial das lesões. Apesar de ser conhecido que a doença acomete virtualmente qualquer porção do SNC, sendo predominante na substância branca (SB), porém, não exclusiva, envolvendo também córtex e substância cinzenta (SC) profunda. A identificação de recorrência da doença se baseia na identificação de focos macroscópicos de desmielinização, conhecidos como placas. In vivo, o diagnóstico das placas depende da sua identificação em exames de imagem ressonância magnética (MRI). Os pacientes com EM são submetidos a exames de MRI do encéfalo com o intuito de se identificar lesões novas ou aumento do volume total de lesões. A lesão aparece no exame de MRI como uma imagem de hiperintensidade de sinal em sequências T2, que pode ser isolada, medindo mais que 3 a 5 mm, ovaladas, com realce após administração de contraste paramagnético intravenoso na fase aguda. Cronicamente as placas se tornam menos delimitáveis, coalescentes, formando aglomerados dismórficos com predomínio no corpo caloso e região de SB periventricular. A detecção de novas lesões entre dois exames de MRI é critério para a definição de estabilidade ou progressão de doença, bem como o sucesso ou fracasso terapêutico. Em pacientes com alta carga lesional, a detecção de uma nova e pequena lesão não é tarefa trivial para o médico radiologista. Objetivo: Para aumentar a sensibilidade e especificidade do exame é a proposta deste trabalho o desenvolvimento de um algoritmo computacional para volumetria de lesões e comparação entre diferentes tempos de estudo a fim de identificar lesões novas. Casuística e Método: Foram analisadas retrospectivamente as imagens de 99 pacientes com diagnóstico confirmado de Esclerose Múltipla e acompanhados clinicamente no HCFMRP-USP no período de 2013 a 2020 com imagens adquiridas um equipamento de 3T (Philips, Achieva). A imagem volumétrica FLAIR de dois exames consecutivos foram segmentadas e corregistradas. Uma ferramenta para detecção de novas lesões foi implementada, comparando exames prévios e recentes por software de detecção automática de lesões. Resultados: Foi observada uma sensibilidade de 95% e especificidade de 31%. Somente houve um falso negativo entre os 99 exames avaliados. Conclusão: o algoritmo desenvolvido foi considerado efetivo, com alta sensibilidade e funcionando de forma totalmente automática. A prática diária demonstrou que houve um auxílio real na rotina de avaliação dos exames, aumentando a rapidez e confiabilidade da avaliação. A baixa especificidade não compromete a eficiência, sendo os falsos positivos rapidamente descartados pelo médico radiologista.