Zusammenfassung Hintergrund: In der Diagnostik des ischämischen Schlaganfalls ist die automatisierte Quantifizierung des Infarktes von zunehmender Bedeutung. Zur Abgrenzung des Infarktkerns in der diffusionsgewichteten Bildgebung (DWI) verwenden etablierte Algorithmen generalisierte Grenzwerte des scheinbaren Diffusionskoeffizienten (ADC). Zugrundeliegende Annahmen wurden bisher nur unzureichend überprüft, auch bleiben Einflussfaktoren auf die automatisierte Methode unbekannt.
Methoden: Anhand von Bilddaten der von 2008 bis 2013 durchgeführten 1000Plus Studie (clinicaltrials.org NCT00715533) wurde eine experimentelle retrospektive Analyse von ADC-Grenzwert basierenden Läsionssegmentierungen durchgeführt. Ein eigens entwickelter Segmentierungsalgorithmus wurde an einer heterogenen Gruppe von 108 ischämischen Schlaganfallpatienten getestet, welcher einen üblichen ADC-Grenzwert von ≤620×10-6mm2/s anwendet. Als Ground Truth diente die manuelle Abgrenzung der DWI-Läsion durch erfahrene Neuroradiologen. In der vorliegenden Patientenkohorte wurden optimale ADC-Grenzwerte zur DWI-Läsionsabgrenzung in Grenzwertanalysen identifiziert. Einflussfaktoren auf ADC-Grenzwert-abhängige Segmentierungsmethoden wurden mittels Regressionsmodellen untersucht.
Ergebnisse: Automatisiert segmentierte DWI-Läsionen wiesen im Vergleich zur manuellen Standardmethode signifikant geringere Volumina (Mittlere Differenz: -4.9 ml) und ADC-Werte (Mittlere Differenz: -186 × 10−6mm2/s) auf (n = 108). Der Dice-Koeffizient betrug im Median 0.43 (IQR 0.20 – 0.64). Einflussfaktoren auf die räumliche Übereinstimmung des entwickelten Segmentierungsalgorithmus stellten die ADC-Werte innerhalb der DWI-Läsion (β = -0.65, p <.01) und des gesunden Hirnparenchyms (β = 0.17, p <.01) dar. Das Volumen der Läsion (β = 0.55, p <.01) korrelierte mit dem Dice-Koeffzienten. Der mittels gepoolter Grenzwertoptimierungskurve bestimmte optimale ADC-Grenzwert in vorliegender Kohorte betrug 693×10-6mm2/s (Sensitivität 63%, Spezifität 75%). Optimale individuelle Kurven zeigten ADC-Grenzwerte mit einem Interquartilenabstand von ≤634 – 735×10-6mm2/s auf. Signifikante Einflussfaktoren auf den diagnostischen Nutzen optimaler individueller ADC-Grenzwerte waren im Regressionsmodell die ADC-Werte innerhalb der DWI-Läsionen (β = -0.9, p <.01) und im übrigen Hirnparenchyms (β = 0.29, p <.01). Es zeigte sich kein relevanter Einfluss des Zeitintervalls (0 – 24 Stunden) auf die mittleren ADC-Werte innerhalb der DWI-Läsion oder die Leistungsfähigkeit von ADC-Grenzwerten. Ein ADC-Anstieg innerhalb der DWI-Läsion konnte zwischen Tag 3 und 7 nachgewiesen werden.
Konklusion: Die Anwendung von restriktiven ADC-Grenzwerten führt zu signifikant geringeren Läsionsvolumina im Vergleich zur Standardmethode. Läsionsspezifische und patientenspezifische Faktoren beeinflussen die Leistungsfähigkeit der angewandten ADC-Grenzwerte. Das Zeitintervall stellt innerhalb von 24 Stunden keinen Einflussfaktor dar.
Abstract Background: Automated infarct quantification methods are already established in ischemic stroke diagnostics. Algorithms use threshold values of the apparent diffusion coefficient (ADC) to delineate the infarct core in diffusion-weighted imaging (DWI). Only a few independent studies have examined differences to the previous standard method of examiner-dependent manual delineation. Factors influencing the supposedly more objective method remain unknown.
Methods: Using image data from the 1000Plus study conducted from 2008 to 2013 (clinicaltrials.org NCT00715533), an experimental retrospective analysis of ADC threshold-based lesion segmentation was performed. For this purpose, a segmentation algorithm was developed and tested on a heterogeneous group of 108 ischemic stroke patients using a standard ADC threshold of ≤620×10-6mm2/s. Manual delineation of the DWI lesion by experienced neuroradiologists served as ground truth. Resulting segmentations were analyzed. In receiver operating characteristics (ROC) analysis, optimal ADC thresholds for DWI lesion delineation were identified in the present patient cohort. Multiple linear regression models were used to analyze factors influencing the performance of the algorithm as well as the diagnostic capabilities of ADC thresholds identified in the ROC analysis. The time course of the ADC values within the DWI lesion was recorded.
Results: Automated segmented DWI lesions had significantly lower volumes (mean difference: -4.9 ml) and ADC values (mean difference: -186×10-6mm2/s) compared to the manual standard method. The median Dice coefficient was 0.43 (IQR 0.20 - 0.64). Factors influencing the spatial agreement of the developed segmentation algorithm were the ADC values within the DWI lesion (β = -0.65, p <.01) and the unaffected brain parenchyma (β = 0.17, p <.01). DWI lesion volume (β = 0.55, p <.01) correlated positively with the Dice coefficient. The optimal ADC threshold determined by pooled ROC analysis in the present cohort was 693×10-6mm2/s (sensitivity 63%, specificity 75%). Optimal individual curves showed ADC thresholds with an interquartile range of ≤634 - 735×10-6mm2/s. In the regression model, the ADC value within the DWI lesion (β = -0.9, p <.01) and the brain parenchyma (β = 0.29, p <.01) were influential factors on the diagnostic benefit of optimal individual ADC thresholds. There was no relevant influence of the time interval (0 - 24 hours) on the mean ADC values within the DWI lesion or the performance of ADC thresholds. An ADC increase within the DWI lesion was detected between day 3 and 7.
Conclusion: The application of restrictive ADC thresholds leads to significantly lower lesion volumes compared to the standard method. Lesion as well as patient specific factors influence the performance of the applied ADC thresholds. However, the time of symptom onset to imaging within 24 hours is not considered an influential factor.
