Capítulo Dieciséis
Estudios Dinámicos

16-01 Introduccíon

a combinación de imagen por RM con agentes de contraste extrínsecos llevó a muchos investigadores a tratar de realzar estructuras ana­tó­mi­cas y patológicas y procesos que, per se, son invisibles en imágenes sin contraste [⇒ Rinck]. La adquisición de imágenes de la misma estructura ana­tó­mi­ca durante un periodo de tiempo antes y después de la administración de un agen­te de contraste añade otra dimensión al estudio convencional y ha­bi­tu­al­men­te recibe el nombre de estudio de perfusión. La perfusión describe el pro­ce­so de entrega de sangre a los tejidos, centrándose normalmente en el flujo san­guí­neo a nivel de capilar.

Los estudios de perfusión se pueden clasificar en dos tipos: los que evalúan los cambios de señal en el tejido diana tras la inyección del contraste exógeno y los que dependen de factores intrínsecos como el aumento del volumen sanguíneo, la oxigenación de la sangre y el flujo microvascular. El primer tipo se suele de­no­mi­nar estudio dinámico y el segundo estudio funcional.

Además, en algunos casos las imá­ge­nes individuales de una serie di­ná­mi­ca pueden proporcionar más información que la meramente vi­su­al, por lo que se ha propuesto la posterior manipulación matemática de estas imágenes (Figura 16-01). Figura 16-01: La combinación de operaciones ma­te­má­ti­cas, procesamiento de imágenes, series tem­po­ra­les de imágenes y, en su caso, agen­tes de contraste puede dar resultados sorprendentes. Comprobar siempre que el resultado tiene sentido.

En este capítulo se ofrece una visión general de algunas de las técnicas, ya que no puede ser exhaustivo teniendo en cuenta la amplitud del campo. Para obtener información detallada ver Maintz and Torheim [⇒ Maintz, ⇒ Torheim 1999].

Tradicionalmente, se han aplicado los siguientes métodos para analizar imágenes de perfusión:

 Inspección visual de las curvas de intensidad-tiempo;
 inspección visual de las series temporales en modo cine;
  sustracción de imágenes.

Sin embargo, la manera más interesante de procesar los datos es mediante la creación y posterior visualización de mapas paramétricos, imágenes que com­bi­nan paramétros cuantitativos derivados de la información presente en la serie con información anatómica (Tabla 16-01).

Para ser clínicamente útil, este método de posproceso debe ser robusto, fiable y automático o semi-automático.

Tabla 16-01:
Pasos del proceso completo de adquisición y posproceso de imágenes dinámicas. El filtro de ruido y la corrección de movimiento son opcionales, pero en muchos casos son necesarios y bastante complicados.

16-02 Problemas inherentes

Con el fin de procesar la serie temporal (= serie de imágenes a partir de una o varias imágenes precontraste seguidas por las imágenes con contraste) píxel a píxel, la ubicación espacial de los elementos de la imagen dentro de la matriz debe ser exactamente la misma, pero en muchos casos puede existir mo­vi­mi­en­to que haga que no coincidan (Figura 16-02 y Figura 16-03).

Figura 16-02: Arriba: Los órganos del cuerpo humano se pueden mover en las tres dimensiones del espacio y rotar a la vez. Centro: Por ello, las imágenes mul­ti­di­men­sio­na­les pueden desalinearse debido al mo­vi­mi­en­to y la rotación. Abajo: Los píxeles se deben realinear pa­ra su posproceso y análisis. Anatómicamente, los píxeles amarillos cor­res­pon­den al mismo vóxel, pero tienen una localización distinta en los cortes.

Figura 16-03:
Ejemplos de imágenes tomadas de un estudio dinámico de los riñones. Durante la adquisición am­bos riñones se mueven y rotan en las tres dimensiones. En este ejemplo, el riñón derecho se mueve varios píxeles hacia arriba y abajo durante la serie temporal (línea roja). El posproceso ma­te­má­ti­co de las imágenes puede ayudar a eliminar parte de este movimiento y facilitar el aná­li­sis de las series temporales.

Todas las imágenes dinámicas de este capítulo se obtuvieron con Dynalize 1.0 [⇒ Torheim 1997].

Esto dificulta el cálculo y la evaluación de las curvas de intensidad de tiempo y las imágenes paramétricas [⇒ Gehrig]. La posición de los píxeles o las regiones de interés tiene que corregirse manualmente o, preferiblemente, de forma auto­má­ti­ca mediante técnicas de reconocimiento de contornos, por ejemplo. Este pro­ce­so de realineación de las imágenes se denomina a menudo registro o corregistro de imágenes.

Este problema es aún mayor en órganos con movimiento de contracción, como el corazón [⇒ Higgins]. En este caso los artefactos se pueden corregir resaltando los bordes del órgano mediante el trazado de los límites de forma manual, semi­auto­má­ti­ca o automática si hay algún conocimiento a priori, como, por ejemplo, conocer el contorno del órgano y la relación entre su longitud y anchura (Figura 16-04) [⇒ von Schult­hess]. Un enfoque más sofisticado constituye la creación de auto-ROIs [⇒ Torheim 1997].

Figura 16-04: Estudio dinámico de los riñones.

Izquierda: Selección de una imagen de referencia.
Centro: Los bordes del riñón se pueden dibujar manualmente y ajustarse a cada imagen de la serie.
Derecha: Un programa de detección de bordes puede definir los límites y ajustarlos automática o semi-automáticamente comparando las relaciones entre algunos parámetros fijos.

Image registration of contrast-enhanced images of non-rigid organs is a dif­fi­cult problem due to the changes not only in contrast but also in the structures vi­si­ble. Whereas rigid organs like the brain can be aligned by performing trans­la­tions and rotations, non-rigid organs require non-rigid reformations, which po­ten­ti­al­ly can change the structures to be observed.

An additional problem is the propagation of mistakes, e.g., through artifacts which are not recognizable any more on processed images. They can be caused by a change of relative or absolute signal intensity on the image influenced by outside factors such as surface coils.

Furthermore, due to the frequent presence of time constraints, the signal- to-noise ratio is often quite low in dynamic contrast-enhanced MR imaging. This necessitates the need for noise-reduction techniques [⇒ Sebastiani] which are com­mon­ly performed by applying so-called filters either in the spatial (image) or in the temporal domain.

There are some very sophisticated filters which can remove noise in a way which was previously only possible by increasing the magnetic field strength or improvements in the amplifiers or other hardware.