-1MASARYKOVA
UNIVERZITA
Lékařská fakulta
Optimalizace akvizice a metod analýzy obrazů magnetické rezonance
Habilitační práce
Mgr. Ing. Marek Dostál, Ph.D.
Brno 2024
-2-
Obsah
1. Úvod................................................................................................................................................3
2. Seznam původních publikací autora...............................................................................................4
3. Techniky zobrazování CNS pomocí difuzně vážených obrazů.........................................................8
3.1. Teoretické principy DWI..........................................................................................................8
3.2. Artefakty DWI .......................................................................................................................12
3.3. Snímání DWI..........................................................................................................................13
4. Analýza obrazu..............................................................................................................................15
5. Klinické aplikace DWI při studiu RS...............................................................................................20
6. Závěr..............................................................................................................................................22
7. Seznam použité literatury.............................................................................................................23
8. Abstrakt.........................................................................................................................................27
9. Původní práce autora....................................................................................................................28
-3-
1. Úvod
Od roku 1977, kdy vznikla první celotělová jaderná magnetická rezonance (MR) pro zobrazování lidské
tkáně, uběhlo již téměř padesát let. Za tuto dobu se stalo vyšetření MR standardní radiologickou
metodou. Tato zobrazovací modalita má své nezastupitelné místo při vyšetření centrální nervové
soustavy (CSN), muskuloskeletálního systému (MSK), vyšetření pánve a dalších anatomických oblastí.
Díky své fyzikální podstatě, rozvoji hardwaru a narůstající výpočetní síle nabízí širokou škálu
modifikací, jak detekovat, rekonstruovat a analyzovat signál. Každým rokem přibývají nové
zobrazovací sekvence, rekonstrukční algoritmy nebo analytické metody. I přes tento vývoj má ovšem
metoda stále své limity a ty se většinou projevují jako různé artefakty v obraze. Větší část autorova
výzkumu se týká difuzně váženého zobrazování (DWI), proto je teoretická část zaměřena na vznik a
potlačení nejzávažnějších artefaktů právě z pohledu DWI. Následně navazuje vědecká část, kde autor
prokazuje aktivní činnost v oblasti optimalizace vyšetřovacího protokolu pro dosažení co
nejkvalitnějšího a reprodukovatelného zobrazení v oblasti krční míchy. Navazuje přehled analytických
metod, jež autor buď vytvořil, či ověřuje jejich přesnost pro statistické vyhodnocení zobrazení CNS.
V poslední kapitole jsou uvedeny vědecké práce klinického charakteru, na kterých se autor podílel a
kde je aplikována některá z autorových metod. Předložená práce je koncipována jako soubor
komentovaných publikací.
-4-
2. Seznam původních publikací autora
I. KOPŘIVOVÁ, Tereza, Miloš KEŘKOVSKÝ, Tomáš JŮZA, Václav VYBÍHAL, Tomáš ROHAN, Michal
KOZUBEK a Marek DOSTÁL. Possibilities of Using Multi-b-value Diffusion Magnetic Resonance Imaging
for Classification of Brain Lesions. Academic Radiology [online]. 2024, 31(1), 261–272. ISSN 1076-6332.
Dostupné z: doi:10.1016/j.acra.2023.10.002
II. COHEN-ADAD, Julien, Eva ALONSO-ORTIZ, Mihael ABRAMOVIC, Carina ARNEITZ, Nicole ATCHESON,
Laura BARLOW, Robert L. BARRY, Markus BARTH, Marco BATTISTON, Christian BÜCHEL, Matthew
BUDDE, Virginie CALLOT, Anna J. E. COMBES, Benjamin DE LEENER, Maxime DESCOTEAUX, Paulo
Loureiro DE SOUSA, Marek DOSTÁL, Julien DOYON, Adam DVORAK, Falk EIPPERT, Karla R. EPPERSON,
Kevin S. EPPERSON, Patrick FREUND, Jürgen FINSTERBUSCH, Alexandru FOIAS, Michela FRATINI, Issei
FUKUNAGA, Claudia A. M. Gandini WHEELER-KINGSHOTT, Giancarlo GERMANI, Guillaume GILBERT,
Federico GIOVE, Charley GROS, Francesco GRUSSU, Akifumi HAGIWARA, Pierre-Gilles HENRY, Tomáš
HORÁK, Masaaki HORI, James JOERS, Kouhei KAMIYA, Haleh KARBASFOROUSHAN, Miloš KEŘKOVSKÝ,
Ali KHATIBI, Joo-Won KIM, Nawal KINANY, Hagen KITZLER, Shannon KOLIND, Yazhuo KONG, Petr
KUDLIČKA, Paul KUNTKE, Nyoman D. KURNIAWAN, Slawomir KUSMIA, René LABOUNEK, Maria
Marcella LAGANÀ, Cornelia LAULE, Christine S. LAW, Christophe LENGLET, Tobias LEUTRITZ, Yaou LIU,
Sara LLUFRIU, Sean MACKEY, Eloy MARTINEZ-HERAS, Loan MATTERA, Igor NESTRASIL, Kristin P.
O’GRADY, Nico PAPINUTTO, Daniel PAPP, Deborah PARETO, Todd B. PARRISH, Anna PICHIECCHIO,
Ferran PRADOS, Àlex ROVIRA, Marc J. RUITENBERG, Rebecca S. SAMSON, Giovanni SAVINI, Maryam
SEIF, Alan C. SEIFERT, Alex K. SMITH, Seth A. SMITH, Zachary A. SMITH, Elisabeth SOLANA, Yuichi
SUZUKI, George TACKLEY, Alexandra TINNERMANN, Jan VALOŠEK, Dimitri VAN DE VILLE, Marios C.
YIANNAKAS, Kenneth A. WEBER, Nikolaus WEISKOPF, Richard G. WISE, Patrik O. WYSS a Junqian XU.
Generic acquisition protocol for quantitative MRI of the spinal cord. Nature Protocols [online]. 2021,
16(10), 4611–4632. ISSN 1750-2799. Dostupné z: doi:10.1038/s41596-021-00588-0
III. COHEN-ADAD, Julien, Eva ALONSO-ORTIZ, Mihael ABRAMOVIC, Carina ARNEITZ, Nicole ATCHESON,
Laura BARLOW, Robert L. BARRY, Markus BARTH, Marco BATTISTON, Christian BÜCHEL, Matthew
BUDDE, Virginie CALLOT, Anna J. E. COMBES, Benjamin DE LEENER, Maxime DESCOTEAUX, Paulo
Loureiro DE SOUSA, Marek DOSTÁL, Julien DOYON, Adam DVORAK, Falk EIPPERT, Karla R. EPPERSON,
Kevin S. EPPERSON, Patrick FREUND, Jürgen FINSTERBUSCH, Alexandru FOIAS, Michela FRATINI, Issei
FUKUNAGA, Claudia A. M. GANDINI WHEELER-KINGSHOTT, Giancarlo GERMANI, Guillaume GILBERT,
Federico GIOVE, Charley GROS, Francesco GRUSSU, Akifumi HAGIWARA, Pierre-Gilles HENRY, Tomáš
HORÁK, Masaaki HORI, James JOERS, Kouhei KAMIYA, Haleh KARBASFOROUSHAN, Miloš KEŘKOVSKÝ,
Ali KHATIBI, Joo-Won KIM, Nawal KINANY, Hagen H. KITZLER, Shannon KOLIND, Yazhuo KONG, Petr
-5KUDLIČKA,
Paul KUNTKE, Nyoman D. KURNIAWAN, Slawomir KUSMIA, René LABOUNEK, Maria
Marcella LAGANÀ, Cornelia LAULE, Christine S. LAW, Christophe LENGLET, Tobias LEUTRITZ, Yaou LIU,
Sara LLUFRIU, Sean MACKEY, Eloy MARTINEZ-HERAS, Loan MATTERA, Igor NESTRASIL, Kristin P.
O’GRADY, Nico PAPINUTTO, Daniel PAPP, Deborah PARETO, Todd B. PARRISH, Anna PICHIECCHIO,
Ferran PRADOS, Àlex ROVIRA, Marc J. RUITENBERG, Rebecca S. SAMSON, Giovanni SAVINI, Maryam
SEIF, Alan C. SEIFERT, Alex K. SMITH, Seth A. SMITH, Zachary A. SMITH, Elisabeth SOLANA, Y. SUZUKI,
George TACKLEY, Alexandra TINNERMANN, Jan VALOŠEK, Dimitri VAN DE VILLE, Marios C. YIANNAKAS,
Kenneth A. WEBER II, Nikolaus WEISKOPF, Richard G. WISE, Patrik O. WYSS a Junqian XU. Open-access
quantitative MRI data of the spinal cord and reproducibility across participants, sites and
manufacturers. Scientific Data [online]. 2021, 8(1), 219. ISSN 2052-4463. Dostupné z:
doi:10.1038/s41597-021-00941-8
IV. COHEN-ADAD, Julien, Eva ALONSO-ORTIZ, Stephanie ALLEY, Maria Marcella LAGANA, Francesca
BAGLIO, Signe Johanna VANNESJO, Haleh KARBASFOROUSHAN, Maryam SEIF, Alan C. SEIFERT, Junqian
XU, Joo-Won KIM, René LABOUNEK, Lubomír VOJTÍŠEK, Marek DOSTÁL, Jan VALOŠEK, Rebecca S.
SAMSON, Francesco GRUSSU, Marco BATTISTON, Claudia A. M. GANDINI WHEELER-KINGSHOTT,
Marios C. YIANNAKAS, Guillaume GILBERT, Torben SCHNEIDER, Brian JOHNSON a Ferran PRADOS.
Comparison of multicenter MRI protocols for visualizing the spinal cord gray matter. Magnetic
Resonance in Medicine [online]. 2022, 88(2), 849–859. ISSN 1522-2594. Dostupné z:
doi:10.1002/mrm.29249
V. DOSTÁL, Marek, Miloš KEŘKOVSKÝ, Eva KORIŤÁKOVÁ, Eva NĚMCOVÁ, Jakub STULÍK, Monika
STAŇKOVÁ a Vladan BERNARD. Analysis of diffusion tensor measurements of the human cervical
spinal cord based on semiautomatic segmentation of the white and gray matter. Journal of magnetic
resonance imaging: JMRI [online]. 2018. ISSN 1522-2586. Dostupné z: doi:10.1002/jmri.26166
VI. DOSTÁL, Marek, Miloš KEŘKOVSKÝ, Erik STAFFA, Josef BEDNAŘÍK, Andrea ŠPRLÁKOVÁ-PUKOVÁ a
Marek MECHL. Voxelwise analysis of diffusion MRI of cervical spinal cord using tract-based spatial
statistics. Magnetic Resonance Imaging [online]. 2020 [vid. 2020-07-28]. ISSN 0730-725X. Dostupné z:
doi:10.1016/j.mri.2020.07.008
VII. PATI, Sarthak, Ujjwal BAID, Brandon EDWARDS, Micah SHELLER, Shih-Han WANG, G. Anthony
REINA, Patrick FOLEY, Alexey GRUZDEV, Deepthi KARKADA, Christos DAVATZIKOS, Chiharu SAKO,
Satyam GHODASARA, Michel BILELLO, Suyash MOHAN, Philipp VOLLMUTH, Gianluca BRUGNARA,
Chandrakanth J. PREETHA, Felix SAHM, Klaus MAIER-HEIN, Maximilian ZENK, Martin BENDSZUS,
Wolfgang WICK, Evan CALABRESE, Jeffrey RUDIE, Javier VILLANUEVA-MEYER, Soonmee CHA, Madhura
INGALHALIKAR, Manali JADHAV, Umang PANDEY, Jitender SAINI, John GARRETT, Matthew LARSON,
-6Robert
JERAJ, Stuart CURRIE, Russell FROOD, Kavi FATANIA, Raymond Y. HUANG, Ken CHANG, Carmen
BALAÑA, Jaume CAPELLADES, Josep PUIG, Johannes TRENKLER, Josef PICHLER, Georg NECKER,
Andreas HAUNSCHMIDT, Stephan MECKEL, Gaurav SHUKLA, Spencer LIEM, Gregory S. ALEXANDER,
Joseph LOMBARDO, Joshua D. PALMER, Adam E. FLANDERS, Adam P. DICKER, Haris I. SAIR, Craig K.
JONES, Archana VENKATARAMAN, Meirui JIANG, Tiffany Y. SO, Cheng CHEN, Pheng Ann HENG, Qi
DOU, Michal KOZUBEK, Filip LUX, Jan MICHÁLEK, Petr MATULA, Miloš KEŘKOVSKÝ, Tereza KOPŘIVOVÁ,
Marek DOSTÁL, Václav VYBÍHAL, Michael A. VOGELBAUM, J. Ross MITCHELL, Joaquim FARINHAS,
Joseph A. MALDJIAN, Chandan Ganesh Bangalore YOGANANDA, Marco C. PINHO, Divya REDDY, James
HOLCOMB, Benjamin C. WAGNER, Benjamin M. ELLINGSON, Timothy F. CLOUGHESY, Catalina
RAYMOND, Talia OUGHOURLIAN, Akifumi HAGIWARA, Chencai WANG, Minh-Son TO, Sargam
BHARDWAJ, Chee CHONG, Marc AGZARIAN, Alexandre Xavier FALCÃO, Samuel B. MARTINS, Bernardo
C. A. TEIXEIRA, Flávia SPRENGER, David MENOTTI, Diego R. LUCIO, Pamela LAMONTAGNE, Daniel
MARCUS, Benedikt WIESTLER, Florian KOFLER, Ivan EZHOV, Marie METZ, Rajan JAIN, Matthew LEE,
Yvonne W. LUI, Richard MCKINLEY, Johannes SLOTBOOM, Piotr RADOJEWSKI, Raphael MEIER, Roland
WIEST, Derrick MURCIA, Eric FU, Rourke HAAS, John THOMPSON, David Ryan ORMOND, Chaitra
BADVE, Andrew E. SLOAN, Vachan VADMAL, Kristin WAITE, Rivka R. COLEN, Linmin PEI, Murat AK,
Ashok SRINIVASAN, J. Rajiv BAPURAJ, Arvind RAO, Nicholas WANG, Ota YOSHIAKI, Toshio MORITANI,
Sevcan TURK, Joonsang LEE, Snehal PRABHUDESAI, Fanny MORÓN, Jacob MANDEL, Konstantinos
KAMNITSAS, Ben GLOCKER, Luke V. M. DIXON, Matthew WILLIAMS, Peter ZAMPAKIS, Vasileios
PANAGIOTOPOULOS, Panagiotis TSIGANOS, Sotiris ALEXIOU, Ilias HALIASSOS, Evangelia I. ZACHARAKI,
Konstantinos MOUSTAKAS, Christina KALOGEROPOULOU, Dimitrios M. KARDAMAKIS, Yoon Seong
CHOI, Seung-Koo LEE, Jong Hee CHANG, Sung Soo AHN, Bing LUO, Laila POISSON, Ning WEN, Pallavi
TIWARI, Ruchika VERMA, Rohan BAREJA, Ipsa YADAV, Jonathan CHEN, Neeraj KUMAR, Marion SMITS,
Sebastian R. VAN DER VOORT, Ahmed ALAFANDI, Fatih INCEKARA, Maarten M. J. WIJNENGA, Georgios
KAPSAS, Renske GAHRMANN, Joost W. SCHOUTEN, Hendrikus J. DUBBINK, Arnaud J. P. E. VINCENT,
Martin J. VAN DEN BENT, Pim J. FRENCH, Stefan KLEIN, Yading YUAN, Sonam SHARMA, Tzu-Chi TSENG,
Saba ADABI, Simone P. NICLOU, Olivier KEUNEN, Ann-Christin HAU, Martin VALLIÈRES, David FORTIN,
Martin LEPAGE, Bennett LANDMAN, Karthik RAMADASS, Kaiwen XU, Silky CHOTAI, Lola B.
CHAMBLESS, Akshitkumar MISTRY, Reid C. THOMPSON, Yuriy GUSEV, Krithika BHUVANESHWAR,
Anousheh SAYAH, Camelia BENCHEQROUN, Anas BELOUALI, Subha MADHAVAN, Thomas C. BOOTH,
Alysha CHELLIAH, Marc MODAT, Haris SHUAIB, Carmen DRAGOS, Aly ABAYAZEED, Kenneth KOLODZIEJ,
Michael HILL, Ahmed ABBASSY, Shady GAMAL, Mahmoud MEKHAIMAR, Mohamed QAYATI, Mauricio
REYES, Ji Eun PARK, Jihye YUN, Ho Sung KIM, Abhishek MAHAJAN, Mark MUZI, Sean BENSON, Regina
G. H. BEETS-TAN, Jonas TEUWEN, Alejandro HERRERA-TRUJILLO, Maria TRUJILLO, William ESCOBAR,
-7Ana
ABELLO, Jose BERNAL, Jhon GÓMEZ, Joseph CHOI, Stephen BAEK, Yusung KIM, Heba ISMAEL,
Bryan ALLEN, John M. BUATTI, Aikaterini KOTROTSOU, Hongwei LI, Tobias WEISS, Michael WELLER,
Andrea BINK, Bertrand POUYMAYOU, Hassan F. SHAYKH, Joel SALTZ, Prateek PRASANNA, Sampurna
SHRESTHA, Kartik M. MANI, David PAYNE, Tahsin KURC, Enrique PELAEZ, Heydy FRANCOMALDONADO,
Francis LOAYZA, Sebastian QUEVEDO, Pamela GUEVARA, Esteban TORCHE, Cristobal
MENDOZA, Franco VERA, Elvis RÍOS, Eduardo LÓPEZ, Sergio A. VELASTIN, Godwin OGBOLE, Mayowa
SONEYE, Dotun OYEKUNLE, Olubunmi ODAFE-OYIBOTHA, Babatunde OSOBU, Mustapha SHU’AIBU,
Adeleye DORCAS, Farouk DAKO, Amber L. SIMPSON, Mohammad HAMGHALAM, Jacob J. PEOPLES,
Ricky HU, Anh TRAN, Danielle CUTLER, Fabio Y. MORAES, Michael A. BOSS, James GIMPEL, Deepak
Kattil VEETTIL, Kendall SCHMIDT, Brian BIALECKI, Sailaja MARELLA, Cynthia PRICE, Lisa CIMINO, Charles
APGAR, Prashant SHAH, Bjoern MENZE, Jill S. BARNHOLTZ-SLOAN, Jason MARTIN a Spyridon BAKAS.
Federated learning enables big data for rare cancer boundary detection. Nature Communications
[online]. 2022, 13, 7346. ISSN 2041-1723. Dostupné z: doi:10.1038/s41467-022-33407-5
VIII. KEŘKOVSKÝ, Miloš, Jakub STULÍK, Ivana OBHLÍDALOVÁ, Petra PRAKSOVÁ, Josef BEDNARIK, Marek
DOSTAL, Matyáš KUHN, Andrea SPRLÁKOVÁ a Marek MECHL. State-of-the-Art MRI Techniques for
Multiple Sclerosis. Česká a slovenská neurologie a neurochirurgie [online]. 2017, 80/113, 647–659.
Dostupné z: doi:10.14735/amcsnn2017647
IX. DOSTÁL, Marek, Miloš KEŘKOVSKÝ, Jakub STULÍK, Josef BEDNAŘÍK, Petra PRAKSOVÁ, Monika
HULOVÁ, Yvonne BENEŠOVÁ, Eva KORIŤÁKOVÁ, Andrea ŠPRLÁKOVÁ-PUKOVÁ a Marek MECHL. MR
Diffusion Properties of Cervical Spinal Cord as a Predictor of Progression to Multiple Sclerosis in
Patients with Clinically Isolated Syndrome. Journal of Neuroimaging [online]. 2021, 31(1), 108–114.
ISSN 1552-6569. Dostupné z: doi:https://doi.org/10.1111/jon.12808
X. STULÍK, Jakub, Miloš KEŘKOVSKÝ, Matyáš KUHN, Monika SVOBODOVÁ, Yvonne BENEŠOVÁ, Josef
BEDNAŘÍK, Andrea ŠPRLÁKOVÁ-PUKOVÁ, Marek MECHL a Marek DOSTÁL. Evaluating Magnetic
Resonance Diffusion Properties Together with Brain Volumetry May Predict Progression to Multiple
Sclerosis. Academic Radiology [online]. 2022 [vid. 2022-06-14]. ISSN 1076-6332. Dostupné z:
doi:10.1016/j.acra.2021.12.015
-8-
3. Techniky zobrazování CNS pomocí difuzně vážených obrazů
3.1. Teoretické principy DWI
Zobrazování magnetickou rezonancí (MR) využívá mírně odlišných magnetických vlastností jader
vodíku v závislosti na okolním magnetickém poli, kde například vodíky navázané na uhlovodíkových
řetězcích tuků mají rozdílnou T1 relaxivitu1
v porovnání s vodíky navázanými na kyslíku ve vodě.
Pomocí vnějších magnetických impulzů lze vychylovat magnetické momenty jader z rovnovážných
poloh, přičemž cívky detekují signál, který vzniká při jejich návratu do rovnovážné polohy. Velikost
signálu je dána počtem vodíkových jader v objemu (protonová hustota) a dvěma odlišnými relaxačními
ději, kdy rychlost jejich relaxace je charakterizována T1 a T2 relaxačními časy. Prostorovou distribuci
tohoto signálu můžeme prostřednictvím šedotónové stupnice vykreslit do obrazu a podle toho, jaký
děj se na vzniklém signálu dominantně podílí, mluvíme pak o T1 nebo T2 váženém obraze.
Časový průběh koncentrace látky c v důsledku jejího difundování nám popisuje druhý Fickův zákon,
jehož diferenciální tvar je:
𝑑 𝑐
𝑑 𝑡
= 𝐷∆𝑐 (1)
Je přímo úměrný koeficientu difuze D, který je přímo závislý na teplotě a nepřímo na viskozitě a
velikosti částic, dle Stokesovy-Einsteinovy rovnice:
𝐷 =
𝑘 𝑏 𝑇
6𝜋𝜂𝑟
(2)
Signál indukovaný detekčními cívkami je sumou signálů všech jader vodíku v objemu okolo cívky. Aby
bylo možné jej rozdělit podle prostorových souřadnic (x, y, z) a tím vytvořit obraz, je třeba aplikovat
relativně komplikovaný sled gradientních2
magnetických impulzů, které prostorové souřadnice
zakódují pomocí mírně odlišných frekvencí a fází precesního pohybu. Tento proces je nazýván
pozičním kódováním a je nedílnou součástí tvorby každého obrazu MR.
Použijeme-li další dva gradientní impulzy po vzoru Stejskal-Tennerovy metody [1], můžeme signál z
jednotlivých voxelů nejprve řízeně rozfázovat a po uplynutí určité doby opět zfázovat. Jestli dojde v
průběhu tohoto procesu k pohybu vodíkových jader, výsledek zpětného zfázování nebude totožný
s původním stavem, což bude mít za následek pokles výsledného signálu v porovnání s obrazem bez
difuzního vážení (bez aplikace difuzních gradientních pulsů). Tento proces je zachycen na obrázku 1.
1
Rychlost návratu vektoru magnetizace do rovnovážné polohy poté, co z této rovnovážné polohy byl vektor
magnetizace vychýlen.
2
V prostoru proměnlivých.
-9Obr.
1. A) Schéma zapínání gradientních a RF impulzů pro difuzně vážené obrazy. Gradientní impulz odpovědný za difuzní
vážení je charakterizován amplitudou G, délkou trvání δ, časem mezi difuzními impulzy ∆ a strmostí zapnutí a vypnutí impulzu
ε. Převzato z [2]. B) Ukázka změny signálu způsobená difuzí molekul. První difuzní gradient vede k rozfázování precese v
konkrétním směru (v tomto případě zprava doleva). Poté je ponechán prostor pro samotnou difuzi a 180° refokusační impulz.
Molekuly jsou následně zfázovány druhým difuzním gradientem. Jestliže k difuzi nedochází, pozice jednotlivých molekul je
stejná jako před prvním difuzním gradientem a v obraze nedojde ke změně signálu. Pokud k difuzi dochází, molekuly
pohybující se ve směru difuzního gradientu (zprava doleva) budou mít po druhém difuzním gradientu rozdílnou fázi a díky
tomu dojde ke změně signálu. Molekuly, které se pohybují ve směru kolmém na difuzní gradient, ke změně signálu
nepřispívají, a jejich pohyb tudíž není detekován. Převzato z [3].
Míru difuzního vážení v obraze popisuje tzv. b-hodnota neboli b-faktor [s.mm-2
] (rovnice 3), jež
zjednodušeně ukazuje, kolik času necháme molekulám vodíku k difuzi a jak moc rozfázujeme precesní
pohyb. Je-li b-hodnota nízká (10 – 100 s.mm-2
), na úbytku signálu v obraze se podílejí pouze ta jádra,
která se pohybují rychle. Čím větší je b-hodnota, tím dáváme více času jádrům k pohybu, čímž jsme
schopni charakterizovat jiné pohyby. Teoreticky můžeme volit libovolnou velikost b-hodnot, ale v praxi
jsme limitováni primárně kvalitou gradientního systému přístroje MR. Při zanedbání prostorových
gradientů můžeme b-hodnotu určit dle vztahu [4]:
𝑏 = 𝛾𝐺2
[𝛿2
(∆ −
𝛿
3
) +
𝜀2
30
−
𝛿𝜀2
6
] (3)
γ představuje gyromagnetický poměr, G amplitudu gradientního pulzu, Δ čas mezi gradientními pulzy,
δ dobu a ε rychlost sepnutí gradientního pulzu (obr. 1 – A). Následují různé varianty, jak difuzní signál
dále analyzovat. Nejjednodušší a v klinické praxi etablovaný přístup je popis difuze pomocí
monoexponenciální funkce (rovnice 4), kde Sb0 je velikost signálu bez difuzního vážení, Sb je velikost
signálu s difuzním vážením o velikosti b a v exponentu vystupuje míra difuzního vážení b a koeficient
zdánlivé difuze (ADC)3
:
𝑆 𝑏 = 𝑆 𝑏0 𝑒−𝑏∗𝐴𝐷𝐶
(4)
Vypočítané hodnoty ADC pro jednotlivé voxely se zobrazují jako tzv. ADC mapy a jejich hodnoty mohou
vypovídat o typu postižení [5, 6]. Dle zobrazované patologie či anatomie existují obecná doporučení,
3
Z angl. apparent diffusion coeficient.
-10jakou
míru difuzního vážení volit (vyšetření mozku b = 1000 s.mm-2
, prostaty b > 1500 s.mm-2
atp.), ale
neexistuje jednoznačná hodnota, protože míra difuze je ovlivněna mnoha faktory [7].
Monoexponenciální model není použitelný pro vysoké hodnoty b-faktoru (b > 2000 s.mm-2
), kdy již
neodpovídá skutečnosti, protože difuze se v této oblasti nechová dle Gaussova rozdělení [8]. Proto se
může tento model upravit o difuzně kvadratický člen s parametrem kurtozy (špičatosti) K, který je
bezrozměrný a charakterizuje odklon od monoexponenciáloního modelu v oblastech vysokých
b-hodnot.
𝑆 𝑏 = 𝑆 𝑏0 𝑒(−𝑏𝐷+(𝑏𝐷)2 𝐾/6)
(5)
V opačném případě se tento model také nedá použít, a to pro velmi nízké hodnoty b-faktoru
(b < 200 s.mm-2
), kdy signál obsahuje informaci o rychlých difuzních dějích. Jedním ze zdrojů rychlého
pohybu vodíkových jader je perfuze krve, což není difuzní děj. Proto se někdy o oblasti nízkých
b-hodnot mluví jako o pseudodifuzi a od difuze ji můžeme oddělit pomocí modelu zvaného intravoxel
incoherent motion (IVIM). Ten je popsán biexponenciální rovnicí (6), kde f je koeficient perfuzní frakce,
D* je pseudodifuzní koeficient (v některých studiích označován také jako rychlá difuze) a D je difuzní
koeficient [9]. Obrázek 2 souhrnně zobrazuje rozdíly jednotlivých modelů.
𝑆 𝑏 = 𝑆 𝑏0(𝑓𝑒−𝑏∗𝐷∗
+ (1 − 𝑓)𝑒−𝑏∗𝐷
) (6)
Obr. 2. Komplexní ukázka různých modelů analýzy difuzně váženého obrazu. Šedá křivka znázorňuje DWI signál. Žlutá
křivka (ADC Monoexp.) znázorňuje model dle rovnice 4. Oranžová úsečka (K) znázorňuje odklon ADC modelu od reálného
signálu v oblasti vysokých b-hodnot dle rovnice 5. Červená úsečka (f), fialová (D*) a tyrkysová (D free water) jsou výstupem
modelu IVIM dle rovnice 6, přičemž D* charakterizuje část signálu z difuze vody v krevním řečišti, D charakterizuje část
signálu bez signálu z krevního řečiště a f charakterizuje odklon parametru D od monoexponenciálního modelu ADC.
O možnostech a limitacích těchto jednotlivých modelů pojednával z pohledu klasifikace mozkových
tumorů autorův přehledový článek I. (Kopřivová et al. 2024). V tomto textu autor rozebírá a obrazově
demonstruje možnosti aplikace modelů pro diferenciaci mozkových tumorů od netumorózních ložisek,
-11glioblastomů
od primárních CNS lymfomů nebo od metastáz. Taktéž zkoumá možnosti gradingu
gliomů (low-grade vs high-grade) či odlišení progrese od pseudoprogrese při pooperačním sledování
pacientů (obr. 3).
Obr. 3. Postkontrastně sytící se léze v bílé hmotě levé mozkové hemisféry odpovídající pseudoprogresi u pacienta
s glioblastomem (grade IV, divoký typ IDH) po chirurgické resekci a radioterapii. A) - T1-w postkontrastní axiální
obraz, b) - f mapa, c) - D* mapa, d) - FLAIR axiální obraz, e) - D mapa, f) - K mapa. Sytící se léze (a) se nachází
dorzálně od nesytící se pooperační oblasti v levém frontálním laloku; rozsáhlá leukoencefalopatie je patrná v
obraze FLAIR (d). FLAIR, fluid-attenuated inversion recovery; IDH – isocitrátdehydrogenáza.
Další možností, jak můžeme přistupovat k difuznímu signálu, je sledovat jeho prostorovou orientaci.
Difuze je obecně náhodný děj. To ale platí pouze v případě volné tekutiny, což do určité míry můžeme
pozorovat například v mozkomíšním moku o větším objemu (postranní komory mozku). V tkáni je
difuze omezená přítomností buněk, které mají různý tvar a prostorovou orientaci. Máme-li
pravidelnou strukturu (např. vlákna bílé hmoty), má voda tendenci difundovat ve směru menšího
odporu, takže podél vláken. Menší difuze je pak ve směru kolmém na tato vlákna. Toto anizotropní
chování difuze vody se dá kvantifikovat pomocí difuzně vážených obrazů. Je ovšem nutné přídavné
difuzní gradientní pulzy aplikovat minimálně v 6 rozdílných směrech. Pak je třeba dopočítat tenzor
difuze a jeho skalární parametry, jako je například střední difuzivita (MD) nebo frakční anizotropie
(FA). Když v tkáni dojde k narušení pravidelné vláknité struktury (např. v případě bílé hmoty
k demyelinizaci), anizotropie difuze se změní. Poklesne totiž její odpor ve směru kolmém na vlákna,
tudíž voda začne ve větší míře difundovat i v tomto předtím nepreferovaném směru (dojde k poklesu
FA). Jestli používáme velikost difuzního vážení okolo b = 1000 s.mm-2
, pak o tomto přístupu mluvíme
coby o zobrazení tenzoru difuze (DTI). Pokud používáme i vyšší b hodnoty, tak odklon DTI parametrů
od Gaussova rozdělení můžeme charakterizovat, a to obdobně jako v předchozích odstavcích pomocí
kurtozy (špičatosti). Hovoříme tedy o zobrazení kurtozy tenzoru difuze (DKI) [3].
-12-
3.2. Artefakty DWI
Zobrazování difuze pomocí MR přináší spoustu úskalí. Kromě již výše zmiňovaných složitějších
analytických přístupů je nutné věnovat pozornost samotné zobrazovací sekvenci. Jelikož se snažíme
detekovat velmi rychlý děj, tak i obraz musí být vytvořen rychle (naplnění k-prostoru). Proto se
v klinické praxi standardně využívá tzv. single-shot echo-planar imaging (SS-EPI) snímání dat. Tato
metoda je single-shot, což znamená, že během jedné excitace je vytvořen jeden obraz. EPI zaplňování
k-prostoru probíhá pomocí „šňůry“ velmi rychlých gradientních pulzů (obr. 5 – A). Takto rychlý náběr
avšak způsobuje prostorové distorze (deformace) obrazu (obr. 6), tvorbu vířivých proudů a klade
vysoké nároky na gradientní a shimovací4
vybavení stroje MR [11, 12].
Obr. 5. Ukázka časové souslednosti jednotlivých impulzů v případě A) single-shot (SS) a B) multi-shot (MS)
echo-planar imaging (EPI) sekvence (levá část) a průběh zaplňovaní k-prostoru (pravá část). RF – radiofrekvenční.
Převzato z [13].
Existuje několik přístupů, jak tyto distorzní artefakty potlačit, nicméně nikdy se jich zcela nezbavíme.
Jednou z možností je využití multi-shot přístupu, kdy k-prostor není zaplněn během jedné, ale více
excitací (obr. 5 – B). Dalšími variantami je zkrácení času mezi jednotlivými snímáními. Toho se může
dosáhnout pomocí zvětšení šířky frekvenčního pásma či ramp samplingem (k zaplňování k-prostoru
dochází již při náběhu čtecího gradientu). Dále k tomu také lze využít paralelní techniky, zmenšení
obrazu (FOV) ve směru fázového kódování nebo můžeme zkombinovat více metod. Ovšem při
zmenšování fázového FOV vzniká artefakt překlopení. Tento problém v posledních letech byl vyřešen
novým způsobem excitace tkáně, kdy se na místo jednoho excitačního pulzu použijí dva prostorově
4
Shimming slouží k zvýšení homogenity magnetického pole v zobrazované oblasti [10].
-13selektivní
radiofrekvenční pulzy (2D RF excitace). Kromě eliminace takového artefaktu jsou rovněž
efektivně potlačeny artefakty distorzí. Výsledky jednotlivých metod jsou demonstrovány na sagitálním
zobrazení krční míchy (obr. 6, převzato z [14]).
Obr. 6. Ukázka distorze obrazu krční míchy při různých nastaveních single-shot echo-planar (SS-EPI) sekvence.
A) referenční obraz anatomie krční míchy pořízený sekvencí rychlého spinového echa (FSE). B) SS-EPI obraz bez
korekcí distorze. Na obraze snímaném při širším frekvenčním pásmu a ramp samplingu (C) je patrný drobný
úbytek artefaktů. Potlačení artefaktů je velmi dobré už jen při zmenšení fázového FOV na polovinu (D, E) či
čtvrtinu (F, G). K potlačení dojde také, když k tomu ještě využijeme paralelní techniku (E, G). Převzato z [14].
3.3. Snímání DWI
Krční mícha je obecně pro zobrazení MR komplikovanou strukturou už jen proto, že je malá (je třeba
dobré prostorové rozlišení a poměr signálu k šumu). K tomu je obklopena kostmi a blízko ní je i vzduch
z dýchacích cest. Všechny tyto struktury mají rozdílnou magnetickou susceptibilitu, čímž je snížena
homogenita magnetického pole, což zvětšuje distorzní artefakty. Do obrazu se také promítají artefakty
z dýchání, polykání nebo pulzace mozkomíšního moku.
Z tohoto důvodu se autor aktivně podílel na optimalizaci a testování multicentrického protokolu pro
zobrazování krční míchy, kde došlo k optimalizaci anatomického (T1, T2, T2* atp.) i difuzně váženého
zobrazení (DTI). Výstup z tohoto projektu byl publikován v mezinárodním časopise II. (Cohen-Adad et
al. 2021b). Pro tři hlavní výrobce strojů MR jsou doporučené protokoly volně k dispozici na online
databázi (GitHub5
). Výsledkem této práce je sada doporučení, jak správně polohovat pacienta při
ukládání do stroje, jak ne/rotovat akviziční roviny, jak umístit tzv. shim box a nastavit jednotlivé
5
https://github.com/spine-generic/protocols
-14parametry.
Důraz je kladen na ne/výhody jednotlivých sekvencí, jejich klinické využití a přehled
častých problémů a jejich řešení.
Jak bylo uvedeno v části zabývající se analýzou difuzně vážených obrazů, výstupem bývají různé
koeficienty difuze. Díky komplexnosti snímání MR je otázka reprodukovatelnosti kvantitativního
vyšetření zcela na místě [15, 16, 17 s. 202]. Na kvalitu detekovaného signálu má vliv celá řada
proměnných, které se liší nejenom pacient od pacienta, či pracoviště od pracoviště, ale taky mezi
jednotlivými výrobci i mezi stroji MR jednoho výrobce (použité detekční cívky, nastavení parametrů
snímání, gradientní a shimovací systém, typ excitace, rozdíly v časování a amplitudách jednotlivých
pulzů, uložení pacienta, pohyb a dech pacienta, odstínění vyšetřovny od rušivých signálů atp.). Proto
se autor aktivně účastnil jak akvizice, tak analýzy multicentrického souboru dat vyšetření krční míchy
pomocí optimalizovaného protokolu. Chtěl prokázat míru reprodukovatelnosti tohoto zobrazovacího
protokolu III. (Cohen-Adad et al. 2021a). Z výsledků měření stejného subjektu na 19 různých
přístrojích MR od 3 výrobců a se stejným vyšetřovacím protokolem je patrné, že již měření plochy
odpovídajících si etáží míchy se různí mezi výrobci. Koeficient variability (CoV) u stejného výrobce se
pohybuje mezi 0,9 % - 2,3 %. Pokud se budeme zabývat měřením plochy šedé hmoty, tak
reprodukovatelnost klesá a koeficient variability vzroste na 2,5 % - 3,4 %. Reprodukovatelnost poměru
magnetizačního transferu byla nejnižší ze sledovaných parametrů (CoV 3,6 % - 8,0 %) naopak
reprodukovatelnost DTI měření charakterizovaného frakční anizotropií byla relativně vysoká (CoV
0,8 % - 4,5 %). Výsledky měření DTI na různých subjektech jsou demonstrovány na obrázku 7, kde je
patrný statisticky významný rozdíl mezi výrobci (p < 0,01). Inter CoV byl menší než 5,21 % a intra CoV
byl menší než 3,56 %, což se dá považovat za velmi dobrou reprodukovatelnost.
Obr. 7. Srovnání hodnot frakční anizotropie mezi třemi výrobci (GE – černá (vlevo), Philips – modrá (střed) a
Siemens – zelená (vpravo)) na základě měření pěti zdravých dobrovolníků. Průměrné hodnoty, +- směrodatná
-15odchylka
a odpovídající koeficienty variace (CoV) pro inter a intra reprodukovatelnost jsou uvedeny v horní části
grafů u jednotlivých výrobců.
Výše zmíněná práce byla zaměřena na optimalizaci obecného zobrazovacího protokolu. V současnosti
nejpoužívanější sekvencí pro anatomické zobrazení krční míchy v transversální rovině je gradientní T2*
vážená sekvence s rekonstrukcí obrazu při různých echo časech. Tyto obrazy se posléze mohou
kombinovat (sčítat, průměrovat…) pro zvýšení poměrů signálu a kontrastu k šumu. Volba echo časů a
jejich počtu není triviální. Přináší s sebou různé komplikace (větší zastoupení artefaktů, delší
vyšetřovací čas atp.) a nastavení je omezeno hardwarovým vybavením konkrétního stroje MR. V této
oblasti se autor podílel na jedné z největších multicentrických studií IV. (Cohen-Adad et al. 2022), kde
je sledován vliv výrobce a velikosti statického magnetického pole stroje MR (obr. 8) na výslednou míru
signálu a kontrastu obrazu. Na tyto dva parametry má vliv také počet snímaných ech T2* vážené
sekvence, a proto bylo třeba nalézt jejich optimální počet. Výsledky jsou porovnány s teoretickým
modelem i fantomovým měřením.
Obr. 8. Ukázka výstupů z různých strojů MR o velikosti magnetické indukce 1,5, 3 a 7 T společně s vyhodnocením
kvality obrazu (poměr signálu (SNR) a kontrastu (CNR) vůči šumu, oboje čím vyšší, tím lepší).
Na základě výše uvedeného je patrné, že zobrazování krční míchy ať už morfologické, či difuzně vážené
je celosvětově komplikovanou záležitostí. Autor habilitační práce se aktivně podílí na tvorbě a
verifikaci mezinárodního zobrazovacího protokolu, který by měl přinášet optimální obrazové
informace uniformně napříč stroji MR různých výrobců, magnetických polí a vybavení.
4. Analýza obrazu
Když máme kvalitně vyšetřené pacienty, tak je potřeba provést nezbytné kroky před statistickým
hodnocením difuzních charakteristik. U většiny vyšetření musíme nejprve od sebe diferencovat různé
-16struktury.
Nejčastěji se v případě CNS odlišuje mozkomíšní mok, bílá a šedá hmota a případně
patologické struktury jako nekrotická tkáň, sytící se oblast po aplikaci kontrastní látky nebo
demyelinizační léze. Tomuto procesu se říká segmentace nebo také labeling a existuje celá řada
algoritmů [18]. Ovšem pro velmi hrubé dělení můžeme použít tři základní kategorie.
První je sice nejpracnější, ale často nejpřesnější. Jedná se o manuální značení jednotlivých voxelů,
vrstvu po vrstvě, což v případě snímků o malých tloušťkách je velmi zdlouhavý proces. Ve většině
případů je manuální segmentace zkušeným hodnotitelem (většinou radiologem) považována za zlatý
standard, vůči kterému se porovnávají zbylé dvě metody. Druhou variantou je mírné zapojení
automatizace s určitým manuální vstupem, kdy můžeme mluvit o semi-automatických segmentačních
algoritmech. Tyto metody nejen že práci zrychlují a ulehčují, ale také minimalizují do určité míry
subjektivní vlivy jednotlivých hodnotitelů. Poslední možností jsou již plně automatické segmentační
algoritmy, při nichž je uživatelský vstup téměř nulový. Do této kategorie mimo jiné spadá aktuálně
velmi oblíbené strojové učení.
K segmentaci mozku bez větších patologií (např. při Alzheimerově chorobě) je aktuálně k dispozici celá
řada jak výzkumných, tak i certifikovaných algoritmů pro klinické použití [19, 20]. V případě
segmentace krční míchy je nicméně množství algoritmů výrazně nižší [21]. Studium šedé hmoty
v oblasti krční míchy je užitečné například u onemocnění amyotrofickou laterální sklerózou a při
kvantifikaci rozsahu lézí u roztroušené sklerózy. Dále také zlepšuje interpretaci funkční magnetické
rezonance [22, 23]. Proto autor vytvořil metodiku jak segmentace celé krční míchy, tak i separace na
šedou a bílou hmotu. Tento postup využívá semi-automatickou segmentaci, kterou autor následně
aplikoval na analýzu difuzních dat krční míchy, a výsledky publikoval v mezinárodním časopise
V. (Dostál et al. 2018). V této práci autor nejprve důkladně krok za krokem popisuje metodiku
segmentace T2* vážených obrazů, jež pro tyto potřeby vytvořil. Následně je ověřována na obrazech
20 neurologicky zdravých dobrovolnících, kde je přesnost srovnávána jednak s manuální segmentací
provedenou zkušenými radiology a autorem a jednak s veřejně dostupnou plně automatizovanou
metodou. Byla ověřena intra i inter reprodukovatelnost jednotlivých přístupů, kdy byly čtyřikrát
provedeny všechny segmentační postupy na sedmi náhodných subjektech. Tímto přístupen vznikly
stovky parametrů metriky podobnostní (Diceho koeficient) a vzdálenostní (Hausdorffova vzdálenost),
které autor statisticky vyhodnotil. Při segmentaci celé míchy, šedé i bílé hmoty byla shoda (DICE)
vyvinuté metodiky a manuální segmentace statisticky výrazně vyšší než v případě automatické
metodiky a manuální segmentace. Obdobného výsledku bylo dosaženo i při analýze vzdálenostní
metriky, kdy maximální chyba mezi porovnávanými metodami byla statisticky významně nižší ve všech
tkáních kromě šedé hmoty, u níž rozdíl nebyl statisticky významný. Přehledná ukázka výsledků je na
obrázku 9.
-17Obr.
9. Porovnání výsledků semi-automatické (CLASS) a automatické (CenterLine) segmentace s manuální
segmentací celé krční míchy na anatomických (ESC) a na difuzně vážených (ESC DTI) obrazech, na šedé (GM) a
bílé (WM) hmotě. Diceho koeficient (DICE, levý graf) charakterizuje podobnost (vyšší je lepší) a Hausdorffova
vzdálenost (pravý graf) charakterizuje maximální neshodu v mm (nižší je lepší). Krabicový graf představuje
postupně od spodu minimum, 1. kvartil, medián (čtvereček), 3. kvartil, maximum. Statisticky významné rozdíly
jsou označeny ** - p < 0,01; *** - p < 0,001.
Výsledné segmentační masky byly registrovány do prostoru difuzně vážených obrazů. Také se zjistilo,
jaký vliv má metoda, hodnotitel a tkáň na mediánové hodnoty frakční anizotropie. Statisticky se
prokázalo, že jsou rozdíly mezi metodami a tkáněmi, nikoliv mezi hodnotiteli. Jak se dalo očekávat,
plně automatizovaná metoda dosáhla v tomto případě nejnižších hodnot koeficientu variace.
Prezentovaná metodika měla o něco vyšší hodnoty a nejméně reprodukovatelnou metodou z pohledu
hodnot frakční anizotropie byla manuální segmentace.
Statistický přístup je jednou z alternativních analytických metod pro studium difuzních charakteristik
bílé hmoty bez nutnosti segmentace šedé a bílé hmoty. Není však možné jej provést na jednotlivci, ale
na skupině, která musí mít k dispozici DTI data. Detekce bílé hmoty je založena na prostorové orientaci
nervových vláken pomocí tract-based spatial statistics (TBSS). Tato metoda se používá pro analýzu
mozku [24], ovšem implementace pro studium krční míchy chybí. Přitom to může být užitečným
nástrojem pro skupinové analýzy. Autor tuto metodu úspěšně zavedl v oblasti krční míchy, modifikoval
pro segmentaci šedé a bílé hmoty a rovněž verifikoval. Vše je popsáno v mezinárodní publikaci
VI. (Dostál et al. 2020). Nejprve bylo třeba vytvořit postup pro sjednocení obrazů všech subjektů, aby
výsledky nebyly zatíženy rozdílnou délkou krční míchy v kraniokaudálním směru a aby mohly být
registrovány do společného prostoru (obr. 10). Tím byl vytvořen atlas jak anatomický (obr. 11 – A, B,
C), tak i difuzní (obr. 11 – D).
-18Obr.
10. Ukázka jednotlivých kroků nutných před analýzou. Ořezání originálního obrazu (1) na požadovaný
rozsah od disku C1/2 po disk C6/7 (A – B), následováno registrací (2) do společného prostoru v sagitální (C)
rovině. Originální (D) a atlasový obraz (E) v axiální rovině.
Obr. 11. Ukázka vzniklého anatomického atlasu ve 3 axiálních pozicích (A), dále orientace sagitální (B) a
koronální (C). Ukázka difuzního atlasu charakterizovaného skalárním parametrem frakční anizotropie ve
3 axiálních pozicích (D). Barevné přímky odpovídají zobrazeným rovinám.
Jakmile byly takto předzpracovány obrazy všech subjektů, použila se modifikovaná TBSS analýza, jež
vytvořila kostru voxelů, které jsou ze statistického pohledu nejpravděpodobněji bílou nebo šedou
hmotou napříč všemi subjekty (obr. 12 – A, E). Pro zvětšení počtu voxelů byly tyto kostry prostorově
rozšířeny (pomocí dilatace obrazu, obr. 12 – C, F). Ověřili jsme, jaký vliv má toto rozšíření na přesnost
segmentace, jaká bude tedy míra nepřesnosti mezi maskou rozšířenou a manuální. Segmentační
masky jsou vykresleny na obrazu průměrné frakční anizotropie (obr. 12 – D).
-19Obr.
12. Ukázka výsledných segmentačních masek bílé (A) a šedé (E) hmoty na obrazech frakční anizotropie (D)
před úpravou a po ní (B, C, F).
Jak je uvedeno výše, nejen segmentace šedé a bílé hmoty je nutným krokem před analýzou difuzních
dat, ale také segmentace případných patologií (např. tumoru). Lze totiž předpokládat, že nekrotická
tkáň bude mít odlišené difuzní charakteristiky, než má edém či sytící se část tumoru [25 – 27]. Strojové
učení potřebuje velké množství dat a principiálně mohou být použity libovolné obrazy s danou
patologií. Musíme nicméně pamatovat na Obecné nařízení EU o ochraně údajů (GDPR) a poskytování
zdravotnické obrazové dokumentace třetím stranám, přestože se jedná o potřeby vědeckého
charakteru. K maximalizaci bezpečnosti pacientských dat je možné použít přístup kolaborativního
učení (federated learning) [28]. V tomto případě se algoritmus učí z více zdrojů souběžně, přičemž
nedochází k transferu samotných dat, ale přenáší se pouze číselné parametry modelu mezi servery
centrálním a jednotlivými nemocničními, kde jsou pacientská data bezpečně uložena. Tohoto principu
bylo využito při multicentrickém tréninku algoritmu na základech 3D ResUNet pro segmentaci gliomů
třídy 3 a 4 (high grade gliomas) na 3 základní tkáně (sytící se část po aplikaci kontrastní látky, edém a
nesytící se část, co není edematická). Výstupy byly publikovány v mezinárodním časopise VII. (Pati et
al. 2022), ve kterém byla použita data 6314 subjektů ze 71 pracovišť. Takto natrénovaná neuronová
síť dosáhla vysoké shody s manuální segmentací, kdy se mediánové hodnoty Diceho koeficientu na
testovací skupině (154 subjektů) pohybovaly přes 90 % v závislosti na typu segmentované tkáně
(obr. 13).
-20Obr.
13. Ukázka výsledků značení celého tumoru (WT), edematické tkáně (ET), postkontrastně se sytící části (TC)
a průměru všech tkání (Average) pomocí modelu kolaborativního učení dle různých vzorů (barevně odlišeny).
Bílá čára nebo červený křížek představují mediánovou nebo průměrnou hodnotu Diceho koeficientu (DSC) (větší
je lepší).
5. Klinické aplikace DWI při studiu RS
Demyelinizace, gliózy, zánětlivé infiltrace či axonální poškození v různých oblastech CNS jsou
charakteristickými znaky roztroušené sklerózy (RS) [29]. Základním radiologickým hodnocením je
detekce T2 hyperintenzních ložisek. O iniciálním stádiu demyelinizačního onemocnění mluvíme jako o
klinicky izolovaném syndromu (CIS) [30]. Z hlediska predikce vývoje a rozvoje onemocnění do
definitivní RS jsou důležité parametry, jako je počet, lokalizace, postkontrastní sycení ložisek a
dynamika nálezu v čase, což je shrnuto v McDonaldových kritériích [31]. V minulosti byla pro detekci
ložisek RS v mozku zásadní T2 vážená sekvence, ovšem v posledních letech je klíčová T2 vážená
sekvence s potlačením signálu volné vody (FLAIR) v 2D či 3D provedení. FLAIR obrazy v oblasti krční
míchy nedosahují tak vysoké senzitivity jako v oblasti mozku, proto se zde doporučuje klasická T2
vážená sekvence jak bez saturace tuku, tak i s ní (STIR). Možnosti využití dalších metod jako
susceptibilně vážené obrazy (SWI), magnetizační transfer (MT), DTI nebo spektroskopie jsou
pojednávány v přehledovém článku autora VIII. (Keřkovský et al. 2017).
Detekce hyperintenzních ložisek mozku a míchy je základní diagnostickou metodou, ale k samotné
predikci progrese z CIS do definitivní RS nestačí. Tuto problematiku se autor snažil vyřešit analýzou
difuzních charakteristik (DTI) krční míchy u 47 CIS pacientů, kteří byli klinicky i radiologicky sledováni
po dobu 2 let, a u 57 neurologicky zdravých dobrovolníků, jež sloužili jako kontrolní skupina. 15 CIS
pacientů do 2 let progredovali do definitivní RS. Pomocí semi-automatického algoritmu byla odlišena
šedá a bílá hmota míchy, zatímco hyperintenzní ložiska byla značena manuálně. Analýza histogramu
-21DTI
parametrů identifikovala špičatost (kurtozu) frakční anizotropie v oblasti normálně vyhlížející bílé
hmoty jako nejsilnější prediktor pro konverzi do definitivní RS s vysokou sensitivitou (93 %) a
průměrnou specificitou (73 %). To lze považovat jako zlepšení v porovnání se senzitivitou (80 %) a
specificitou (53 %) u McDonaldových kritérií obrazů mozku. Výsledky této práce jsou publikovány
v mezinárodním časopise IX. (Dostál et al. 2021).
Při studiu predikčního potenciálu parametrů DTI a měření objemů mozku pro konverzi z CIS do
definitivní RS využil autor statistickou metodu TBSS. Během dvouletého sledování 72 CIS pacientů 22
z nich progredovalo do definitivní RS. U pacientů s progresí došlo ke statisticky významnému zmenšení
objemu bílé hmoty, což bylo prokázáno jako parametr velmi senzitivní (90,9 %), ale málo specifický
(58 %). Mediánová hodnota frakční anizotropie bílé hmoty byla u těchto pacientů také výrazně nižší,
avšak tento parametr byl naopak vysoce specifický (90 %) a středně sensitivní (77,3 %). Výsledky studie
byly publikovány v mezinárodním časopise X. (Stulík et al. 2022).
Z výše uvedeného je patrné, že kombinace anatomických a difuzně vážených obrazů může vést ke
zvýšení predikční schopnosti zobrazování MR v případě předpovědi konverze z klinicky izolovaného
syndromu do stádia definitivní roztroušené sklerózy.
-22-
6. Závěr
V předložené habilitační práci autor nejprve prezentuje základní teoretické principy difuzně váženého
zobrazovaní magnetickou rezonancí. Následně navrhuje a ověřuje optimální zobrazovací protokoly
krční míchy. Po této akviziční části jsou představeny vědecké aktivity v oblasti zpracování a analýzy
anatomických a difuzně vážených obrazů. V závěrečné části je ukázka klinických aplikací v oblasti
mozku a krční míchy. Autor podrobněji rozebírá některé ze svých vědeckých publikací, kde
demonstruje přijatelnou míru reprodukovatelnosti zobrazení MR, vysoký potenciál této metody pro
další vědecké a klinické aplikace, které se v některých situacích jeví přínosněji než standardní
diagnostické zobrazování. I když prezentované publikace dosahují dobrých výsledků, ze souhrnného
autorova článku z roku 2024 je patrný velký prostor pro další vědeckou práci za použití pokročilejších
difuzních modelů. A to je cesta, jakou se autor plánuje dále vědecky ubírat.
-23-
7. Seznam použité literatury
[1] STEJSKAL, E. O. a J. E. TANNER. Spin Diffusion Measurements: Spin Echoes in the Presence of
a Time-Dependent Field Gradient. The Journal of Chemical Physics [online]. 1965, 42(1), 288–
292. ISSN 0021-9606, 1089-7690. Dostupné z: doi:10.1063/1.1695690
[2] HAMMER, Mark. Image: MRI Physics: Diffusion-Weighted Imaging - XRayPhysics [online].
[vid. 2018-04-18]. Dostupné
z: https://www.google.com/imgres?imgurl=http%3A%2F%2Fxrayphysics.com%2Fdwi_simple
_pulse.png&imgrefurl=http%3A%2F%2Fxrayphysics.com%2Fdwi.html&docid=ZKbnCmFKZ6CE
RM&tbnid=P5_kSQK-
95Yv_M%3A&vet=10ahUKEwjQ5ZyGpsPaAhXLDpoKHfQHBp4QMwg_KAAwAA..i&w=445&h=3
00&client=firefox-
b&bih=1063&biw=1920&q=DWI%20pulse%20schema&ved=0ahUKEwjQ5ZyGpsPaAhXLDpoKH
fQHBp4QMwg_KAAwAA&iact=mrc&uact=8
[3] MORI, Susumu a Jiangyang ZHANG. Principles of Diffusion Tensor Imaging and Its Applications
to Basic Neuroscience Research. Neuron [online]. 2006, 51(5), 527–539. ISSN 0896-6273.
Dostupné z: doi:10.1016/j.neuron.2006.08.012
[4] KINGSLEY, Peter B. Introduction to diffusion tensor imaging mathematics: Part II. Anisotropy,
diffusion‐weighting factors, and gradient encoding schemes. Concepts in Magnetic Resonance
Part A [online]. 2006, 28A(2), 123–154. ISSN 1552-5023. Dostupné
z: doi:10.1002/cmr.a.20049
[5] JONES, Derek K. Diffusion MRI. B.m.: Oxford University Press, 2010. ISBN 978-0-19-970870-3.
[6] MORITANI, Toshio, Sven EKHOLM a Per-Lennart A. WESTESSON. Diffusion-Weighted MR
Imaging of the Brain. B.m.: Springer Science & Business Media, 2009. ISBN 978-3-540-78785-
3.
[7] OGURA, Akio, Daisuke KOYAMA, Norio HAYASHI, Isamu HATANO, Kohki OSAKABE a Natsumi
YAMAGUCHI. Optimal b Values for Generation of Computed High-b-Value DW Images.
American Journal of Roentgenology [online]. 2016, 206(4), 713–718. ISSN 0361-803X.
Dostupné z: doi:10.2214/AJR.15.14867
[8] MINATI, Ludovico a Władysław P. WĘGLARZ. Physical foundations, models, and methods of
diffusion magnetic resonance imaging of the brain: A review. Concepts in Magnetic
Resonance Part A [online]. 2007, 30A(5), 278–307. ISSN 1546-6086, 1552-5023. Dostupné
z: doi:10.1002/cmr.a.20094
[9] LE BIHAN, Denis. What can we see with IVIM MRI? NeuroImage [online]. 2017 [vid. 2018-10-
16]. ISSN 1053-8119. Dostupné z: doi:10.1016/j.neuroimage.2017.12.062
[10] BLASCHE, Mathias a Daniel FISCHER. Magnet Homogeneity and Shimming. 2017.
[11] PIERPAOLI, Carlo. Artifacts in Diffusion MRI. In: PhD JONES Derek K., ed. Diffusion MRI:
Theory, Methods, and Applications [online]. B.m.: Oxford University Press, 2010 [vid. 2024-07-
19], s. 0. ISBN 978-0-19-536977-9. Dostupné z: doi:10.1093/med/9780195369779.003.0018
[12] IRFANOGLU, M. Okan, Joelle SARLLS, Amritha NAYAK a Carlo PIERPAOLI. Evaluating
corrections for Eddy-currents and other EPI distortions in diffusion MRI: methodology and a
-24dataset
for benchmarking. Magnetic Resonance in Medicine [online]. 2019, 81(4), 2774–2787.
ISSN 1522-2594. Dostupné z: doi:10.1002/mrm.27577
[13] HOLDSWORTH, S. J., K. YEOM, S. SKARE, A. J. GENTLES, P. D. BARNES a R. BAMMER. Clinical
Application of Readout-Segmented− Echo-Planar Imaging for Diffusion-Weighted Imaging in
Pediatric Brain. American Journal of Neuroradiology [online]. 2011, 32(7), 1274–1279.
ISSN 0195-6108, 1936-959X. Dostupné z: doi:10.3174/ajnr.A2481
[14] SARITAS, Emine U., Samantha J. HOLDSWORTH a Roland BAMMER. Chapter 2.3 Susceptibility
Artifacts. In: Julien COHEN-ADAD a Claudia A.M. WHEELER-KINGSHOTT, ed.
Quantitative MRI of the Spinal Cord [online]. San Diego: Academic Press, 2014, s. 91–105.
ISBN 978-0-12-396973-6. Dostupné z: doi:10.1016/B978-0-12-396973-6.00007-1
[15] SORACE, Anna G., Chengyue WU, Stephanie L. BARNES, Angela M. JARRETT, Sarah AVERY,
Debra PATT, Boone GOODGAME, Jeffery J. LUCI, Hakmook KANG, Richard G. ABRAMSON,
Thomas E. YANKEELOV a John VIROSTKO. Repeatability, reproducibility, and accuracy of
quantitative mri of the breast in the community radiology setting. Journal of Magnetic
Resonance Imaging [online]. 2018, 48(3), 695–707. ISSN 1522-2586. Dostupné
z: doi:10.1002/jmri.26011
[16] MCGUIRE, Stephen A., S. Andrea WIJTENBURG, Paul M. SHERMAN, Laura M. ROWLAND,
Meghann RYAN, John H. SLADKY a Peter V. KOCHUNOV. Reproducibility of quantitative
structural and physiological MRI measurements. Brain and Behavior [online]. 2017, 7(9),
e00759. ISSN 2162-3279. Dostupné z: doi:10.1002/brb3.759
[17] WANG, Y., S. TADIMALLA, R. RAI, J. GOODWIN, S. FOSTER, G. LINEY, L. HOLLOWAY a A.
HAWORTH. Quantitative MRI: Defining repeatability, reproducibility and accuracy for prostate
cancer imaging biomarker development. Magnetic Resonance Imaging [online]. 2021, 77,
169–179. ISSN 1873-5894. Dostupné z: doi:10.1016/j.mri.2020.12.018
[18] MAHMOUD, Amira A., El-Sayed M. EL-RABAIE, Taha E. TAHA, Adel ELFISHAWY, Osama
ZAHRAN a Fathi E. ABD EL-SAMIE. Medical Image Segmentation Techniques, a Literature
Review, and Some Novel Trends. Menoufia Journal of Electronic Engineering Research
[online]. 2018, 27(2), 23–58. ISSN 1687-1189. Dostupné z: doi:10.21608/mjeer.2018.63179
[19] FAWZI, Ali, Anusha ACHUTHAN a Bahari BELATON. Brain Image Segmentation in Recent Years:
A Narrative Review. Brain Sciences [online]. 2021, 11(8), 1055. ISSN 2076-3425. Dostupné
z: doi:10.3390/brainsci11081055
[20] EJAZ, Khurram, Mohd Shafry Mohd RAHIM, Muhammad ARIF, Diana IZDRUI, Daniela Maria
CRACIUN a Oana GEMAN. Review on Hybrid Segmentation Methods for Identification of Brain
Tumor in MRI. Contrast Media & Molecular Imaging [online]. 2022, 2022 [vid. 2024-07-19].
Dostupné z: doi:10.1155/2022/1541980
[21] GARG, Sheetal a S. R. BHAGYASHREE. Spinal Cord MRI Segmentation Techniques and
Algorithms: A Survey. SN Computer Science [online]. 2021, 2(3), 229. ISSN 2661-8907.
Dostupné z: doi:10.1007/s42979-021-00618-4
[22] RUGGIERI, Serena, Maria PETRACCA, Laura DE GIGLIO, Francesca DE LUCA, Costanza GIANNÌ,
Flavia GURRERI, Nikolaos PETSAS, Silvia TOMMASIN, Carlo POZZILLI a Patrizia PANTANO. A
matter of atrophy: differential impact of brain and spine damage on disability worsening in
multiple sclerosis. Journal of Neurology [online]. 2021, 268(12), 4698–4706. ISSN 0340-5354.
Dostupné z: doi:10.1007/s00415-021-10576-9
-25[23]
WENDEBOURG, Maria Janina, Matthias WEIGEL, Claudia WEIDENSTEINER, Laura SANDER, Eva
KESENHEIMER, Nicole NAUMANN, Tanja HAAS, Philipp MADOERIN, Nathalie BRAUN,
Christoph NEUWIRTH, Markus WEBER, Kathleen JAHN, Ludwig KAPPOS, Cristina GRANZIERA,
Kathi SCHWEIKERT, Michael SINNREICH, Oliver BIERI a Regina SCHLAEGER. Cervical and
thoracic spinal cord gray matter atrophy is associated with disability in patients with
amyotrophic lateral sclerosis. European Journal of Neurology [online]. 2024, 31(6), e16268.
ISSN 1468-1331. Dostupné z: doi:10.1111/ene.16268
[24] SMITH, Stephen M., Mark JENKINSON, Heidi JOHANSEN-BERG, Daniel RUECKERT, Thomas E.
NICHOLS, Clare E. MACKAY, Kate E. WATKINS, Olga CICCARELLI, M. Zaheer CADER, Paul M.
MATTHEWS a Timothy EJ BEHRENS. Tract-based spatial statistics: Voxelwise analysis of multisubject
diffusion data. NeuroImage; Amsterdam [online]. 2006, 31(4), 1487–1505.
ISSN 10538119. Dostupné z: doi:http://dx.doi.org/10.1016/j.neuroimage.2006.02.024
[25] VAN SANTWIJK, Lusien, Valentina KOUWENBERG, Frederick MEIJER, Marion SMITS a Dylan
HENSSEN. A systematic review and meta-analysis on the differentiation of glioma grade and
mutational status by use of perfusion-based magnetic resonance imaging. Insights into
Imaging [online]. 2022, 13(1), 102. ISSN 1869-4101. Dostupné z: doi:10.1186/s13244-022-
01230-7
[26] MOMENI, Farideh, Razzagh ABEDI-FIROUZJAH, Zahra FARSHIDFAR, Nastaran TALEINEZHAD,
Leila ANSARI, Ali RAZMKON, Amin BANAEI a Alireza MEHDIZADEH. Differentiating Between
Low- and High-grade Glioma Tumors Measuring Apparent Diffusion Coefficient Values in
Various Regions of the Brain. Oman Medical Journal [online]. 2021, 36(2), e251. ISSN 1999-
768X. Dostupné z: doi:10.5001/omj.2021.59
[27] CSUTAK, Csaba, Paul-Andrei ȘTEFAN, Lavinia Manuela LENGHEL, Cezar Octavian MOROȘANU,
Roxana-Adelina LUPEAN, Larisa ȘIMONCA, Carmen Mihaela MIHU a Andrei LEBOVICI.
Differentiating High-Grade Gliomas from Brain Metastases at Magnetic Resonance: The Role
of Texture Analysis of the Peritumoral Zone. Brain Sciences [online]. 2020, 10(9), 638.
ISSN 2076-3425. Dostupné z: doi:10.3390/brainsci10090638
[28] REHMAN, Muhammad Habib ur, Walter HUGO LOPEZ PINAYA, Parashkev NACHEV, James T.
TEO, Sebastin OURSELIN a M. Jorge CARDOSO. Federated learning for medical imaging
radiology. The British Journal of Radiology [online]. 2023, 96(1150), 20220890. ISSN 0007-
1285. Dostupné z: doi:10.1259/bjr.20220890
[29] CONFAVREUX, Christian, Sandra VUKUSIC, Thibault MOREAU a Patrice ADELEINE. Relapses
and progression of disability in multiple sclerosis. New England Journal of Medicine [online].
2000, 343(20), 1430–1438. ISSN 0028-4793. Dostupné
z: doi:10.1056/NEJM200011163432001
[30] MILLER, David H., Declan T. CHARD a Olga CICCARELLI. Clinically isolated syndromes. The
Lancet. Neurology [online]. 2012, 11(2), 157–169. ISSN 1474-4465. Dostupné
z: doi:10.1016/S1474-4422(11)70274-5
[31] THOMPSON, Alan J., Brenda L. BANWELL, Frederik BARKHOF, William M. CARROLL, Timothy
COETZEE, Giancarlo COMI, Jorge CORREALE, Franz FAZEKAS, Massimo FILIPPI, Mark S.
FREEDMAN, Kazuo FUJIHARA, Steven L. GALETTA, Hans Peter HARTUNG, Ludwig KAPPOS,
Fred D. LUBLIN, Ruth Ann MARRIE, Aaron E. MILLER, David H. MILLER, Xavier MONTALBAN,
Ellen M. MOWRY, Per Soelberg SORENSEN, Mar TINTORÉ, Anthony L. TRABOULSEE, Maria
TROJANO, Bernard M. J. UITDEHAAG, Sandra VUKUSIC, Emmanuelle WAUBANT, Brian G.
-26WEINSHENKER,
Stephen C. REINGOLD a Jeffrey A. COHEN. Diagnosis of multiple sclerosis:
2017 revisions of the McDonald criteria. The Lancet. Neurology [online]. 2018, 17(2), 162–
173. ISSN 1474-4465. Dostupné z: doi:10.1016/S1474-4422(17)30470-2
-27-
8. Abstrakt
Optimization of acquisition and analysis methods for magnetic resonance images
Diffusion-weighted brain imaging is nowadays a standard examination method that can detect,
differentiate or predict the current state of some disabilities better than methods based on anatomical
image analysis. With the development of hardware equipment of the MR systems, the possibilities of
using advanced diffusion models such as diffusion tensor imaging (DTI), diffusion kurtosis imaging
(DKI) or intravoxel incoherent motion (IVIM) are expanding. These advanced models have great
scientific and clinical potential, but also have their technical challenges to overcome, especially in the
cervical spinal cord.
In this paper, the author first presents the technical principles and challenges of diffusion-weighted
imaging, followed by the optimization of the examination protocol in the cervical spinal cord. In the
next section, some aspects of image analysis, especially image segmentation, are presented. In the
last part, the author focuses on the clinical applications of diffusion-weighted images in patients with
CNS involvement.
This work presents the great potential of advanced diffusion-weighted imaging models for both
scientific and clinical purposes, which, however, needs to be thoroughly verified.
Optimalizace akvizice a metod analýzy obrazů magnetické rezonance
Difuzně vážené zobrazování mozku je v dnešní době standardní vyšetřovací metodou, která může
detekovat, diferenciovat nebo predikovat aktuální stav postižení lépe než metody založené na analýze
anatomických obrazů. S rozvojem hardwarového vybavení strojů MR se rozšiřují i možnosti využití
pokročilých difuzních modelů, jakými je zobrazování tenzoru difuze (DTI), kurtozy tenzoru difuze (DKI)
nebo intravoxel incoherent motion (IVIM). Tyto pokročilé modely mají velký vědecký i klinický
potenciál, ovšem také své technické výzvy, jež je třeba ještě překonat, a to hlavně v oblasti krční míchy.
Autor v této práci nejprve představuje technické principy a výzvy difuzně váženého zobrazování,
následované optimalizací vyšetřovacího protokolu v oblasti krční míchy. V další části jsou představeny
některé aspekty analýzy obrazů, především segmentace obrazu. V poslední části se autor zaměřuje na
klinické aplikace difuzně vážených obrazů u pacientů s postižením CNS.
Tato práce prezentuje velký potenciál pokročilých modelů difuzně váženého zobrazovaní jak pro
vědecké, tak pro klinické účely, které je ovšem nutno důkladně verifikovat.
-28-
9. Původní práce autora
-29-
-30-
-31-
-32-
-33-
-34-
-35-
-36-
-37-
-38-
-39-
-40-
-41-
-42-
-43-
-44-
-45-
-46-
-47-
-48-
-49-
-50-
-51-
-52-
-53-
-54-
-55-
-56-
-57-
-58-
-59-
-60-
-61-
-62-
-63-
-64-
-65-
-66-
-67-
-68-
-69-
-70-
-71-
-72-
-73-
-74-
-75-
-76-
-77-
-78-
-79-
-80-
-81-
-82-
-83-
-84-
-85-
-86-
-87-
-88-
-89-
-90-
-91-
-92-
-93-
-94-
-95-
-96-
-97-
-98-
-99-
-100-
-101-
-102-
-103-
-104-
-105-
-106-
-107-
-108-
-109-
-110-
-111-
-112-
-113-
-114-
-115-
-116-
-117-
-118-
-119-
-120-
-121-
-122-
-123-
-124-
-125-
-126-
-127-
-128-
-129-
-130-
-131-
-132-
-133-
-134-
-135-
-136-
-137-
-138-
-139-
-140-
-141-
-142-
-143-
-144-
-145-
-146-
-147-
-148-
-149-
-150-
-151-
-152-
-153-