Development of software tools for improved 1H magnetic resonance spectroscopic imaging

Abstract

Proton manyetik rezonans spektroskopik görüntüleme (1H-MRSG), beyin me- tabolizmasının invazif olmayan, uzamsal olarak çözümlenmiş bir değerlendirmesini sağlar. Bununla birlikte, spektral kalite sorunları, kısmi hacim etkisi, kimyasal kayma artefaktı ve düşük uzaysal çözünürlük dahil olmak üzere, kliniklerde daha geniş kul- lanımını engelleyen 1H-MRSG'nin bazı sınırlamaları vardır. Ek olarak, diğer MR modaliteleri ile birlikte spektral verileri analiz etmek için metabolit haritaları oluş- turmak gereklidir.Bu çalışmanın ilk bölümünde, ham 1H-MRSG verilerinin ve LCModel çıktılarının görselleştirilmesi, kimyasal kayma düzeltme, doku fraksiyonu hesaplaması, metabolit haritası üretimi ve otomatik spektral kalite kontrolü sağlayarak MN152 beyin atlasına registrasyon yapan Oryx-MRSI adlı üç boyutlu 1H-MRSG için MATLAB tabanlı açık kaynaklı bir veri analiz yazılımı sunulmaktadır. Oryx-MRSI, MN152 beyin atlasında tanımlanan beyin parsellerinde ilgili bölge analizini uygular. Üretilen tüm metabolit haritaları NIFTI formatında saklanır. Oryx-MRSI, altı örnek veri seti ile birlikte Oryx- MRSI bağlantısında herkese açıktır.Bu çalışmanın ikinci bölümünde, Oryx-MRSI ile analiz edilen 1H-MRSG veri- lerini kullanarak Parkinson hastalığında hafif kognitif bozukluğun (PH-HKB) metabo- lik değişikliklerini araştırdık. Bu prospektif çalışmada on altı sağlıklı kontrol (SK), 26 kognitif olarak normal Parkinson hastalığı (PH-KN) hastası ve 34 PH-HKB has- tası tarandı. Nöropsikolojik testler yapıldı ve 3T'da üç boyutlu 1H-MRSG elde edildi. Metabolik parametreler ve nöropsikolojik test puanları PH-HKB, PH-KN ve SK arasında karşılaştırıldı. Nöropsikolojik test puanları ile metabolik yoğunluklar arasındaki korelasyonlar da değerlendirildi. SK, PH-KN ve PH-HKB gruplarını metabolit seviyeler- ine göre sınıflandırmak için denetimli makine öğrenme algoritmaları uygulandı. PH- HKB, sağ precentral girusta toplam kreatin oranına (tNAA/tCr) göre daha düşük bir düzeltilmiş toplam N-asetilaspartata sahipti, bu da sensorimotor ağa (p = 0.01) karşılık geliyordu ve miyoinositol oranına (tNAA/m) göre daha düşük bir tNAA'ya sahipti. PH-KN'den retrosplenial kortekse (p = 0.04) karşılık gelen varsayılan mod ağının bir parçası. SK ve PH-HKB hastaları, torbalı ağaçlar kullanılarak %86,4 doğru- lukla (duyarlılık = %72.7 ve özgüllük= %81.8) sınıflandırıldı. 1H-MRSG, PH-HKB hastalarının varsayılan mod, ventral dikkat/belirginlik ve sensorimotor ağlarında, temel olarak bilişsel işlev bozukluğu ile ilgili 'posterior kortikal metabolik değişiklikler' olarak özetlenebilecek metabolik değişiklikleri ortaya çıkardı.Bu tezin son bölümünde 1H-MRSG'nin düşük uzamsal çözünürlük sorunu ele alınmıştır. 1H-MRSG'nin uzamsal çözünürlüğünü artırmak için süper çözünürlüklü evrişimli sinir ağlarının (SRCNN) ve Tek Görüntü Süper Cözünürlük için Gelişmiş Derin Artık Ağların (EDSR) uygulanması araştırıldı. SRCNN şemasının eğitiminde FLAR, T1-ağırlıklı, T2-ağırlıklı manyetik rezonans görüntüleme (MRG) verileri ve her RGB kanalında üç farklı yapısal MR görüntüsünü içeren birleştirilmiş bir MR kul- lanılmıştır. Ek olarak, EDSR ağını eğitmek için T1 ağırlıklı MRG'ler kullanıldı. 1H- MRSG görüntülerinin uzamsal çözünürlüğü, anatomik MR görüntüleri ile eğitilmiş hem SRCNN hem de EDSR modelleri kullanılarak artırıldı. Önerilen tekniğin sonuçları, tepe sinyal-gürültü oranı açısından bikübik interpolasyon ile karşılaştırıldı. Süper çözülmüş görüntülerin spektral deseni, orjinal yüksek çözünürlüklü MRG'lerinkine ben- zerdi. Sonuçlarımız, derin öğrenme tabanlı süper çözünürlüklü modellerin, daha yüksek çözünürlüklü 1H-MRSG'nin yeniden yapılandırılmasına katkıda bulunacağını gösterdi.Bu tez, 1H-MRSG için benzeri görülmemiş ayrıntılı bir veri analiz hattı sağlayan Oryx-MRSI adlı açık kaynaklı bir MRSG yazılımının geliştirilmesi, klinisyenlere HKB tanısı için yardımcı olabilecek PD-HKB'nin metabolik bağlantılarını tanımlayan ve 1H-MRSG'nin uzamsal çözünürlüğünü yüksek bir tarama süre maliyeti olmadan artıra- bilecek derin öğrenme tabanlı süper çözünürlük yaklaşımlarının uygulanmaı açısından literatüre katkıda bulunmuştur.

Proton magnetic resonance spectroscopic imaging (1H-MRSI) provides a non-invasive, spatially resolved evaluation of brain metabolism. However, there are some limitations of 1H-MRSI preventing its wider use in the clinics, including the spectral quality issues, partial volume effect, chemical shift artifact, and low spatial resolution. Additionally, it is necessary to create metabolite maps for analyzing spectral data along with other MRI modalities.In the first part of this study, a MATLAB-based open-source data analysis software for three-dimensional 1H-MRSI, called Oryx-MRSI, which includes modules for visualization of raw 1H-MRSI data and LCModel outputs, chemical shift correction, tissue fraction calculation, metabolite map production, and registration onto standard MNI152 brain atlas while providing automatic spectral quality control, is presented. Oryx-MRSI implements region of interest analysis at brain parcellations defined on MNI152 brain atlas. All generated metabolite maps are stored in NIfTI format. Oryx- MRSI is publicly available at Oryx-MRSI link along with six example datasets.In the second part of this study, we investigated metabolic changes of mild cognitive impairment in Parkinson's disease (PD-MCI) using 1H-MRSI data analyzed with Oryx-MRSI. Sixteen healthy controls (HC), 26 cognitively normal Parkinson's disease (PD-CN) patients, and 34 PD-MCI patients were scanned in this prospective study. Neuropsychological tests were performed, and three-dimensional 1H-MRSI was obtained at 3T. Metabolic parameters and neuropsychological test scores were compared between PD-MCI, PD-CN, and HC. The correlations between neuropsychological test scores and metabolic intensities were also assessed. Supervised machine learning algorithms were applied to classify HC, PD-CN, and PD-MCI groups based on metabolite levels. PD-MCI had a lower corrected total N-acetylaspartate over total creatine ratio (tNAA/tCr) in the right precentral gyrus, corresponding to the sensorimotor network (p = 0.01), and a lower tNAA over myoinositol ratio (tNAA/mI) at a part of the default mode network, corresponding to the retrosplenial cortex (p = 0.04) than PD-CN. The HC and PD-MCI patients were classified with an accuracy of 86.4% (sensitivity = 72.7% and specificity = 81.8%) using bagged trees. 1H-MRSI revealed metabolic changes in the default mode, ventral attention/salience, and sensorimotor networks of PD-MCI patients, which could be summarized mainly as 'posterior cortical metabolic changes' related with cognitive dysfunction.In the last part of this thesis, low spatial resolution problem of 1H-MRSI was tackled. The application of super resolution convolutional neural networks (SRCNN) and Enhanced Deep Residual Networks for Single Image Super-Resolution (EDSR) for increasing the spatial resolution of 1H-MRSI were investigated. Fluid attenuated inversion recovery (FLAIR), T1-weighted and T2-weighted magnetic resonance imaging (MRI) data and a fused MRI, which contained the three different structural MR images in each RGB channel, were used in training the SRCNN scheme. Additionally, T1- weighted MRIs were used for training the EDSR network. The spatial resolution of 1H-MRSI images were increased using both SRCNN and EDSR models trained with the anatomical MR images. The results of the proposed technique were compared with bicubic interpolation in terms of peak signal to noise ratio. The spectral pattern of the super resolved images were similar to that of the original high resolution MRI. Our results indicated that deep learning based super resolution models would contribute to reconstructing higher resolution 1H-MRSI.This thesis contributed to the literature in terms of developing an open-source MRSI software called Oryx-MRSI, which provides an unprecedented detailed data anal- ysis pipeline for 1H-MRSI, identifying metabolic correlates of PD-MCI, which might aid the clinicians for the diagnosis of MCI, and implementing deep learning based super resolution approaches that might increase the spatial resolution of 1H-MRSI without a high cost of scan time.