ART 3.5D : an algebraic reconstruction technique to recover 4D contrast dynamics from 3D brain angiographies

The present work aims at the validation of a post-processing method of cerebral Digital Subtraction Angiography (DSA) for recovering the temporal dynamics of the contrast medium in the vessels, thus distinguishing arteries from veins. The specific algebraic reconstruction technique, namely ART 3.5D, follows the segmentation of vessels and reconsiders the dynamic information which is not exploited in the standard DSA. Starting from a previous validation on small dimension simulations, this work faces the technical and methodological problems relevant to a validation on clinical datasets from Cone Beam Computerized Tomography (CBCT) acquisitions, which are performed for the surgical planning of percutaneous electrode arrays implantation in Stereo-ElectroEncephalography (SEEG) procedures. The acronym ART comes from a class of image reconstruction methods under the name of Algebraic Reconstruction Techniques. The suffix 3.5D stresses that the 4th temporal dimension is extracted as residual information from the standard 3D DSA. In the framework of 3D reconstruction methods from projections, this work deals both with analytical methods, such as the Feldkamp-Davis-Kress (FDK) algorithm, and numerical iterative methods such as ART, since the former was used to validate the latter in the development phase. Conversely, only by the ART approach an extension of the image reconstruction method to dynamic features is feasible. Unfortunately, up to now a gold standard of vein versus artery classification was not available for absolute accuracy quantification. Nonetheless, a quality evaluation of the classification result was given by the percentage of corrected voxels through basic morphological operators, used for cancelling out isolated voxels in the arterial and vein classification sets, which were considered as likely misclassifications. Present results can be taken as a proof-of-concept concerning the feasibility of the ART 3.5D analysis in real datasets. Therefore, ART 3.5D itself formal notation can be extended to a clinical dataset dimensionality without introducing major modifications of its nature. However, available results are related to a preliminary sharp classification of vasculature morphology, because no additional discrimination between capillaries and/or small versus large vessels is taken into account. Moreover, the sequence of performed steps needs separate refinements, along with the definition of a gold standard and additional metrics to evaluate intermediate results.

Il lavoro qui presente ha come obiettivo la validazione di un metodo di post-processing di angiografie sottrattive digitali (Digital Subtraction Angiography DSA) cerebrali per ricavare la dinamica temporale del metodo di contrasto attraverso i vasi, quindi per distinguere le arterie dalle vene. La specifica tecnica di ricostruzione algebrica, chiamata ART 3.5D, seguendo la segmentazione dei vasi riconsidera l’informazione dinamica che non viene utilizzata in una DSA standard. Partendo da una precedente validazione su simulazioni di piccole dimensioni, questo elaborato affronta i principali problemi tecnici e metodologici volti alla validazione su dataset clinici, provenienti da acquisizioni Cone-Beam Computed Tomography (CBCT) utilizzate per il planning operatorio dell’inserimento di elettrodi percutanei in procedure di Stereo-ElettroEncefaloGrafia (SEEG). L'acronimo ART deriva da una classe di metodi per la ricostruzione di immagini denominata Algebraic Reconstruction Technique. Il suffisso 3.5D enfatizza il fatto che la quarta dimensione temporale viene ricavata come informazione residua da una DSA volumetrica standard. Nel quadro teorico dei metodi di ricostruzione di immagine 3D da dati di proiezione, questo elaborato tratta sia i metodi di tipo analitico, quale l’algoritmo Feldkamp-Davis-Kress (FDK), sia i metodi di tipo iterativo quale ART, in quanto il precedente metodo è stato utilizzato per validare il secondo nella fase di implementazione. Al contrario, un’estensione del metodo di ricostruzione delle caratteristiche dinamiche è possibile solamente attraverso l’approccio fornito da ART. Sfortunatamente, finora un gold standard per quantificare l’accuratezza assoluta della classificazione di arterie e vene non è disponibile. Tuttavia, una valutazione del risultato di classificazione è stata fornita come percentuale del numero di voxel corretti tramite operatori morfologici di base, i quali vengono utilizzati per eliminare voxel isolati sui rispettivi dataset di arterie e vene, in quanto considerati come mis-classificazioni. I risultati ottenuti possono essere considerati come verifica teorica della fattibilità di ART 3.5D su dataset reali. Pertanto, la notazione formale stessa di ART 3.5D può essere estesa a dataset di dimensionalità maggiore senza introdurre importanti modifiche della sua natura. Tuttavia, i risultati disponibili sono relativi ad una classificazione netta della morfologia vascolare, poiché non viene presa in considerazione alcuna ulteriore discriminazione tra capillari e/o vasi di piccolo/grande diametro. Inoltre, la sequenza dei passaggi eseguiti richiede singoli miglioramenti, insieme alla definizione di un gold standard e l’aggiunta di metriche per valutarne i risultati intermedi.