A new approach for automatic extraction of arterial function from DCE-MRI and estimation of cerebral blood flow

Dynamic contrast-enhanced MRI (DCE-MRI) enables the quantitative characterization of tissue perfusion and microvascular permeability, but pharmacokinetic analysis requires an accurate estimation of the arterial input function (AIF). Manual AIF selection is operator-dependent and time-consuming, while population-averaged AIFs do not capture individual hemodynamics. This thesis develops and validates an automatic pipeline for AIF extraction from cerebral DCE-MRI, based on principal component analysis (PCA) of voxel-wise signal time-courses combined with physiological filtering and an explicit quality-control mechanism. The proposed approach evolves from a literature standard reference method through a set of structural adaptations to brain DCE-MRI and clinical safeguards: an extended candidate principal component search, plausibility filters with a fail-safe behavior that halts the extraction when no arterial component is reliably identifiable, and a composite ranking score that penalizes contaminated component morphologies. The pipeline is evaluated on synthetic phantoms with controlled Rician noise and partial volume contamination, characterizing its operating range and failure modes. It is then applied to a clinical cohort of brain DCE-MRI examinations, where the response of the pipeline across heterogeneous patient profiles is documented case by case, including instances where the fail-safe mechanism correctly refuses extraction. Cerebral blood flow, blood volume and mean transit time maps are subsequently estimated via SVD-regularized deconvolution and presented as a downstream, end-to-end check of the pipeline, with the limits of absolute quantitative calibration explicitly discussed.

La risonanza magnetica dinamica con mezzo di contrasto (DCE-MRI) consente la caratterizzazione quantitativa della perfusione tissutale e della permeabilità microvascolare, ma l'analisi farmacocinetica richiede una stima accurata della funzione di input arteriosa (AIF). La selezione manuale dell'AIF è dipendente dall'operatore e dispendiosa in termini di tempo, mentre le AIF mediate sulla popolazione non catturano l'emodinamica individuale. Questa tesi sviluppa e valida una pipeline automatica per l'estrazione dell'AIF da DCE-MRI cerebrale, basata sull'analisi delle componenti principali (PCA) delle curve temporali di segnale voxel per voxel, combinata con un filtraggio fisiologico e un meccanismo esplicito di controllo di qualità. L'approccio proposto evolve da un metodo di riferimento standard della letteratura attraverso un insieme di adattamenti strutturali alla DCE-MRI cerebrale e di salvaguardie cliniche: una ricerca estesa delle componenti principali candidate, filtri di plausibilità con un comportamento fail-safe che interrompe l'estrazione quando nessuna componente arteriosa è identificabile in modo affidabile, e un punteggio composito di ranking che penalizza le morfologie di componente contaminate. La pipeline è valutata su fantocci sintetici con rumore Riciano controllato e contaminazione da volume parziale, caratterizzandone il campo operativo e le modalità di fallimento. Viene quindi applicata a una coorte clinica di esami DCE-MRI cerebrali, in cui la risposta della pipeline attraverso profili di pazienti eterogenei è documentata caso per caso, inclusi i casi in cui il meccanismo fail-safe rifiuta correttamente l'estrazione. Le mappe di flusso ematico cerebrale, volume ematico e tempo di transito medio sono successivamente stimate tramite deconvoluzione regolarizzata con SVD e presentate come verifica a valle dell'intera pipeline, discutendo esplicitamente i limiti della calibrazione quantitativa assoluta.