We address the medical image analysis issue of predicting the final lesion in stroke from early perfusion magnetic resonance imaging. The classical processing approach for the dynamical perfusion images consists in a temporal deconvolution to improve the temporal signals associated with each voxel before performing prediction. We demonstrate here the value of exploiting directly the raw perfusion data by encoding the local environment of each voxel as a spatio-temporal texture, with an observation scale larger than the voxel. As a first illustration for this approach, the textures are characterized with local binary patterns and the classification is performed using a standard support vector machine (SVM). This simple machine learning classification scheme demonstrates results with 95% accuracy on average while working only raw perfusion data. We discuss the influence of the observation scale and evaluate the interest of using post-processed perfusion data with this approach.

Purpose The robustness of a recently introduced globally convergent deconvolution algorithm with temporal and edge‐preserving spatial regularization for the deconvolution of dynamic susceptibility contrast perfusion magnetic resonance imaging is assessed in the context of ischemic stroke. Theory and Methods Ischemic tissues are not randomly distributed in the brain but form a spatially organized entity. The addition of a spatial regularization term allows to take into account this spatial organization contrarily to the sole temporal regularization approach which processes each voxel independently. The robustness of the spatial regularization in relation to shape variability, hemodynamic variability in tissues, noise in the magnetic resonance imaging apparatus, and uncertainty on the arterial input function selected for the deconvolution is addressed via an original in silico validation approach. Results The deconvolution algorithm proved robust to the different sources of variability, outperforming temporal Tikhonov regularization in most realistic conditions considered. The limiting factor is the proper estimation of the arterial input function. Conclusion This study quantified the robustness of a spatio‐temporal approach for dynamic susceptibility contrast‐magnetic resonance imaging deconvolution via a new simulator. This simulator, now accessible online, is of wide applicability for the validation of any deconvolution algorithm. Magn Reson Med 78:1981–1990, 2017. © 2016 International Society for Magnetic Resonance in Medicine.

L’accident vasculaire cerebral (AVC), est un probleme majeur de sante public qui represente la 3ieme cause de mortalite dans les pays industrialises. Il est necessaire d’ameliorer l’identification des patients eligibles a differentes therapies et a l’evaluation du ratio risquebenefice. Dans ce contexte, l’imagerie (3D+temps) par resonance magnetique de perfusion, pendant laquelle on enregistre en chaque voxel la reponse des tissus au passage d’un agent de contraste de susceptibilite magnetique, permet l’evaluation sur des bases hemodynamiques des tissus a risques. Toutefois, le pipeline associant a la fois la gestion et le traitement de ces donnees sur des cohortes de patients est complexe et necessite encore des developpements, comme l’illustre cette communication qui presente des outils logiciels d’introduction recente dans ce contexte (1-8).1. Frindel, C. et al . Stroke, 46(4), 976-981, 2015.2. Frindel, C. et al. Journees Demonstrateurs club EEA. 1-8 2013.3. Frindel, C. et al. Medical Image Analysis, 18(1), 144-160 2014.4. Giacalone. M. et al. GRETSI, 1-4, 2015.5. Giacalone, M. et al. IEEE IWSSIP, 1.-4, 20166. Giacalone M. et al EUSIPCO, 1.-8, 20167. Giacalone, M. et al Update in Stoke. Book chapter (in press 2017)8. Giacalone, M. et al, Magnetic Resonance in Medicine (in press).

In longitudinal medical studies, multicomponent images of the tissues, acquired at a given stage of a disease, are used to provide information on the fate of the tissues. We propose a quantification of the predictive value of multicomponent images using information theory. To this end, we revisit the predictive information introduced for monodimensional time series and extend it to multicomponent images. The interest of this theoretical approach is illustrated on multicomponent magnetic resonance images acquired on stroke patients at acute and late stages, for which we propose an original and realistic model of noise together with a spatial encoding for the images. We address therefrom very practical questions such as the impact of noise on the predictability, the optimal choice of an observation scale and the predictability gain brought by the addition of imaging components.

L'Accident Vasculaire Cérébral (AVC) - pathologie résultant d'une perturbation de l'apport sanguin dans le cerveau - est un problème de santé publique majeur, représentant la troisième cause de mortalité dans les pays industrialisés. Afin d'améliorer la prise en charge des patients atteints d'un AVC, il est important de posséder des méthodes efficaces pour l'identification des patients éligibles aux différentes thérapies et pour l'évaluation du rapport bénéfice/risque associé à ces thérapies. Dans ce contexte, l'Imagerie par Résonance Magnétique (IRM) dynamique de perfusion par contraste de susceptibilité, une modalité d'imagerie utile pour apprécier l'état de la perfusion cérébrale, peut aider à identifier les tissus à risque de s'infarcir. Cependant, l'intégralité de la chaîne de traitement, de l'acquisition à l'analyse et l'interprétation de l'IRM de perfusion demeure complexe et plusieurs limitations restent encore à surmonter. Durant ces travaux de thèse, nous contribuons à l'amélioration de la chaîne de traitement de l'IRM de perfusion, avec comme objectif final, l'obtention d'une meilleure prédiction de l'évolution de la lésion ischémique dans l'AVC. Dans une première partie, nous travaillons principalement sur l'étape de déconvolution des signaux temporels, une des étapes clefs à l'amélioration de l'IRM de perfusion. Cette étape consiste en la résolution d'un problème inverse mal-posé, et permet le calcul de paramètres hémodynamiques qui sont des biomarqueurs importants pour la classification de l'état final des tissus dans l'AVC. Afin de comparer de façon objective les performances des différents algorithmes de déconvolution existants et d'en valider des nouveaux, il est nécessaire d'avoir accès à une information sur la vérité terrain après déconvolution. Dans ce but, nous avons développé un simulateur numérique pour l'IRM de perfusion, avec une vérité terrain générée automatiquement. Ce simulateur est utilisé pour démontrer la faisabilité d'une automatisation du réglage des paramètres de régularisation, et établir la robustesse d'un algorithme de déconvolution avec régularisation spatio-temporelle d'introduction récente. Nous proposons également un nouvel algorithme de déconvolution globalement convergent. Enfin, la première partie de ces travaux se termine avec une discussion sur une autre étape de la chaîne de traitement en IRM de perfusion, à savoir, la normalisation des cartes de paramètres hémodynamiques extraites des images déconvoluées

We consider the ill-posed inverse problem encountered in perfusion magnetic resonance imaging (MRI) analysis due to the necessity of eliminating, via a deconvolution process, the imprint of the arterial input function on the MR signals. Until recently, this deconvolution process was realized independently voxel by voxel with a sole temporal regularization despite the knowledge that the ischemic lesion in acute stroke can reasonably be considered piecewise continuous. A new promising algorithm incorporating a spatial regularization to avoid spurious spatial artifacts and preserve the shape of the lesion was introduced [1]. So far, the optimization of the spatio-temporal regularization parameters of the deconvolution algorithm was supervised. In this communication, we evaluate the potential of the L-hypersurface method in selecting the spatio-temporal regularization parameters in an unsupervised way and discuss the possibility of automating this method. This is demonstrated quantitatively with an in silico approach using digital phantoms simulated with realistic lesion shapes.

We develop a globally convergent deconvolution algorithm for perfusion dynamic susceptibility contrast MRI applied to stroke. This algorithm includes, in addition to temporal and spatial regularization terms, a non-negativity constraint. Experiments on real data show performance improvements with the non-negativity constraint in the temporal regularization context.

Background and Purpose-This study examines whether lesion shape documented on magnetic resonance diffusion-weighted imaging during acute stroke improves the prediction of the final infarct volume compared with lesion volume only.Methods-Diffusion-weighted imaging data and clinical information were retrospectively reviewed in 110 consecutive patients who underwent (n=67) or not (n=43) thrombolytic therapy for acute ischemic stroke. Three-dimensional shape analysis was performed on admission diffusion-weighted imaging data and 5 shape descriptors were developed. Final infarct volume was measured on T2-fluid-attenuated inversion recovery imaging data performed 30 days after stroke.Results-Shape analysis of acute ischemic lesion and more specifically the ratio of the bounding box volume to the lesion volume before thrombolytic treatment improved the prediction of the final infarct for patients undergoing thrombolysis (R-2=0.86 in model with volume; R-2=0.98 in model with volume and shape).Conclusions-Our findings suggest that lesion shape contains important predictive information and reflects important environmental factors that might determine the progression of ischemia from the core.