Advanced methods for visualization and segmentation of brain veins in MRI acquisitions

Cerebral vein analysis provides a chance to study, from an unusual viewpoint, an entire class of brain diseases, including neurodegenerative disorders and traumatic brain injuries. Venous tree can be proficiently visualized by Susceptibility Weighted Imaging (SWI), which allows for detection of vascular abnormalities in different cerebral pathological conditions. Manual segmentation approaches can be used to assess vascular anatomy, but they are a complex, time-consuming and observer-dependent task; therefore, automated approaches are desiderable, as they also improve reproducibility. The aim of this PhD thesis is to obtain a fully automated algorithm to segment the entire brain venous system from MR images. The study starts from the optimization of the MR acquisition protocol, in order to obtain optimal input images for the algorithm to be developed. Then, starting from statistical segmentation methods described in literature, the designed improvements are described up to the development of the final algorithm for Multi-parametric Automated segmentation of brain VEiNs (MAVEN), which is based on a combined investigation of multi-parametric (structural, morphological and relaxometric) information and allows for rejection of false positives and detection of thin vessels. The method is tested on brain datasets, composed of gradient echo acquisitions, at 1.5 T, 3 T and 7 T. It is compared to previous methods (described in literature or developed during the PhD course) against manual segmentation, and its inter-scan reproducibility is assessed. The achieved accuracy and reproducibility are good, outperforming previous methods at both quantitative and qualitative analyses, and the final visualization of the results is shown to be prone to further enhancement thanks to an optimized fusion algorithm. The proposed method is usable at all the field strengths explored, showing comparable accuracy scores, with no need of algorithm parameter adjustments, and thus is a promising candidate for the full characterization of the venous tree topology.

L’analisi delle vene cerebrali fornisce la possibilità di studiare, da un punto di vista insolito, un’intera classe di malattie cerebrali, come disordini neurodegenerative e lesioni traumatiche. L’albero venoso può essere proficuamente visualizzato con l’imaging pesato in suscettibilità (SWI), che consente l’individuazione di anomalie vascolari in diverse condizioni cerebrali patologiche. La segmentazione manuale può essere usata per valutare l’anatomia vascolare, ma tale approccio è complesso, porta via molto tempo ed è operatore-dipendente; quindi approcci automatici sono molto ricercati in quanto aumentano la riprobucibilità. Lo scopo di questa tesi di dottorato è quello di ottenere un algoritmo completamente automatico che segmenti l’intero sistema nervoso cerebrale da immagini di risonanza magnetica. Questo studio parte dall’ottimizzazione del protocollo di acquisizione di risonanza, in modo da ottenere immagini di input ottimali per l’algoritmo da sviluppare. Quindi, partendo da metodi di segmentazione statistica descritti il letteratura, i miglioramenti progettati saranno descritti fino ad arrivare allo sviluppo dell’algoritmo finale per la segmentazione Multi-parametrica Automatica delle VENe cerebrali (MAVEN), che è basato sullo studio combinato di informazioni multi-parametriche (strutturali, morfologiche e rilassometriche) e consente lo scarto di falsi positivi e il riconoscimento di vasi sottili. Il metodo è stato testato su dataset cerebrali, composti di acquisizioni gradient echo, a 1.5 T, 3 T e 7 T. MAVEN è stato confrontato con metodi precedenti (descritti in letteratura o sviluppati durante il Dottorato) usando la segmentazione manuale come gold standard e la sua riproducibilità è stata testata. L’accuratezza e la riproducibilità ottenute sono buone, con risultati migliori rispetto ai metodi precedenti sia in termini di un’analisi quantitativa che qualitativa, e la visualizzazione finale dei risultati tende a migliorare ulteriormente utilizzando un algoritmo di fusione di immagini ottimizzato. Il metodo proposto è utilizzabile a tutti i campi magnetici studiati, mostrando risultati comparabili senza bisogno di modifiche ai parametri dell’algoritmo e per questo è un promettente candidato per la caratterizzazione completa della topologia dell’albero venoso.