Introduction
Stroke is a dire medical and economic burden. While the current treatment of acute ischemic stroke (AIS) is restricted to a limited time-window, stroke-imaging facilitates novel tissue-based personalized stratification approaches. In this thesis we targeted the standardization of stroke imaging and the development of predictive models for individual assessment of stroke progression. Subproject 1 aimed to improve diagnostic perfusion imaging in MRI by standardization of the imaging post-processing through comparison of the two most common deconvolution methods, i.e. standard- and block-circulant singular-value-decomposition (sSVD and bSVD). Subproject 2 aimed at improving the detection of tissue-at-risk by establishing a multi-parametric perfusion imaging model. Finally, in subproject 3 we aimed to develop a multi-modal MRI framework for prediction of final-infarct and identification of the important imaging-markers for patients with recanalization and persistent-occlusion.
Methods
In subproject 1, a retrospective analysis was performed on dynamic-susceptibility-contrast-enhanced (DSC)-MRI and positron-emission-tomography (PET) cerebral-blood-flow (CBF) scans of stroke patients. The two deconvolution methods were used to derive perfusion-maps and were systematically compared quantitatively against the PET gold-standard. In subproject 2, in a retrospective analysis a multi-parametric model integrating five different perfusion-parameters was established and compared against the single perfusion parameters. The models were validated for assessing penumbral-flow using PET-CBF maps. In subproject 3, a retrospective study of multi-centric data was performed. The XGBoost algorithm was used to establish an integrative multi-modal nonlinear model based on perfusion imaging as well as DWI and FLAIR imaging for final infarct prediction and was compared to the standard linear approach. The important imaging-markers for stroke-progression were systematically identified.
Results
In three publications, we improved image post-processing and imaging-based prediction of clinical targets in AIS. In subproject 1, we identified the bSVD deconvolution method as the standard to derive DSC-MRI perfusion-imaging maps in stroke. In subproject 2, we validated a novel DSC-MRI based multi-parametric model for detection of individual tissue-at-risk for stroke patients with very high accuracy. In subproject 3, we established a multi-modal MRI model for final-infarct prediction using the XGBoost algorithm and demonstrated significant improvement over the standard linear model. Finally, we identified the imaging parameters MTT, TTP, Tmax and DWI as most valuable for infarct prediction.
Conclusion
The results of the present thesis provide an advanced framework of imaging-based predictive modeling in acute stroke applicable for the clinical setting. These advancements support personalized medicine in stroke-imaging and will benefit the diagnosis and stratification of acute stroke patients.
Der akute ischämische Schlaganfall (AIS) ist eine medizinische Herausforderung. Eine Therapie im AIS ist zur Zeit lediglich in einem definierten Zeitfenster möglich. Die Bildgebung des zentralen Nervensystems („Neuroimaging“) jedoch hat das Potential eine personalisierte Therapiestrategie basierend auf rettbarem Gewebe (tissue-at-risk) zu etablieren. Die vorliegende Dissertation hatte zum Ziel in drei Teilschritten das Neuroimaging im akuten Schlaganfallsetting zu standardisieren und Modelle der Schlaganfallprogressionsvorhersage zu etablieren. Teilprojekt 1 zielte darauf ab, die Nachbearbeitung der Durchblutungsbildgebung in der Magnetresonanztomographie (MRT) zu standardisieren. Hierfür wurden die meistverbreiteten Dekonvolutionsmethoden validiert. Teilprojekt 2 hatte zum Ziel die Darstellung von tissue-at-risk mittels eines Vorhersagemodells darzustellen, das verschiedene Durchblutungsparameter kombiniert. In Teilschritt 3 entwickelten wir ein multimodales bildgebungsbasiertes MRT-Vorhersagemodell, welches den finalen Infarkt vorhersagen kann, sowie die wichtigsten Parameter für die Vorhersage in Patienten mit Rekanalisation und Patienten mit persistierender Okklusion identifizieren kann. Methoden In Teilprojekt 1 führten wir eine Bildgebungsanalyse von konsekutiven Dynamic-Susceptibility-Contrast-enhanced (DSC)-MRT und PET-cerebral blood flow (CBF) Bildgebungen durch. Die standard- und block-circulant singular-value-decomposition (sSVD und bSVD)Methoden wurden genutzt um DSC-Durchblutungsparameterkarten zu erstellen, welche mittels PET-CBF validiert wurden. In Teilprojekt 2 wurden fünf Durchblutungsparameter in einem multiparametrischen Modell integriert und deren Vorhersagekraft für die Darstellung von verminderter Durchblutung mit den Einzelparametern verglichen. Diese Modelle wurden mittels PET-CBF Bildgebung validiert. In Teilprojekt 3 wurde an multizentrischen Bildgebungsdaten der treeboosting-Algorithmus XGboost verwendet um ein multimodales Modell für die Infarktprädiktion zu entwickeln, welches Durchblutungsbildgebung, diffusionsgewichtete Bildgebung (DWI) und Fluid-Attenuated-Inversion-recovery-Bildgebung (FLAIR) enthielt und es erlaubte, die einzelnen Bildgebungsparamater nach ihrer Vorhersagekraft zu ordnen. Ergebnisse In drei Publikationen konnten Fortschritte in der Standardisierung der Bildgebung im AIS und in der bildbasierten Infarktprädiktion erzielt werden. In Teilprojekt 1 identifizierten wir die bSVD-Dekonvolution als Standard für die Erstellung von DSC-Durchblutungsparameterkarten im AIS. In Teilprojekt 2 validierten wir ein multiparametrisches Modell für die Vorhersage des tissue-at-risk, welches eine sehr hohe Präzision zeigte. In Teilprojekt 3 entwickelten wir mittels des neuartigen XGBoost Algorithmus ein integratives multimodales MRT-basiertes Modell der Infarktprädiktion. Dieses nicht-lineare Modell zeigte deutliche Verbesserungen gegenüber dem linearen Standardmodell der Infarktprädiktion. Wir konnten zudem zeigen, dass die Parameter MTT, TTP, Tmax und DWI sowohl in Patienten mit Rekanalisation als auch in Patienten mit persistierender Okklusion die stärkste Vorhersagekraft hatten. Schlussfolgerung Die Ergebnisse dieser Dissertation bilden ein erstes Rahmenwerk für bildgebungsbasierte prädiktive Modelle für AIS Patienten, die auch im klinischen Setting anwendbar sind. Damit unterstützen diese Resultate die Entwicklung personalisierter Ansätze in der AIS-Therapie, um die Diagnostik und Stratifizierung zukünftig deutlich zu verbessern.
