Multimodal analysis of intracranial aneurysm walls

Abstract

Intracranial aneurysm rupture can have fatal consequences, treatment of intracranial aneurysms aims to prevent aneurysm rupture. Treatment decisions depend on the assessment of aneurysm rupture risk. While the factors leading to aneurysm rupture are not completely understood yet, it is suspected that changes in the aneurysm wall play a major role in aneurysm rupture. In this thesis, several tools for analysis of the intracranial aneurysm wall were developed. First, the wall of an aneurysm and its parent vessel are reconstructed as a 3D model based on 2D histologic data. These data were collected post mortem. Second, histologic and microCT images of a tissue sample were combined with preoperative data. Both projects include histologic data, which are useful in research but cannot be used in clinical routine, as the necessary tissue collection requires opening the skull. Two further projects on how the aneurysm wall could be included into clinical routine are part of this thesis. In the near future, rupture risk assessment could be aided by vessel wall imaging, wall enhancement segmentation and geometric deep learning rupture prediction. In the distant future, hemodynamic parameters like the wall shear stress could also be included in clinical routine. Here, first steps towards this are presented. From 2D histologic images a 3D model of the aneurysm wall is constructed. This includes the definition of tissue classes occurring in the aneurysm wall, segmentation of the images into these classes and extraction of the contours of each tissue section. Then, the contours are registered, 3D point clouds are derived and meshes are generated. For the mesh generation a new algorithm based on the behaviour of a shrinking tube was developed. The final 3D model of the wall includes over 100 smaller meshes showing the various tissue sections of the aneurysm wall. The second project combines histologic images with additional pre- and post imaging. A preoperative 3D model of the aneurysm and a microCT scan of the tissue provide additional information about the shape. The model of the wall tissue from the microCT image is registered and deformed to fit the preoperative aneurysm shape. The histologic images are mapped to the corresponding microCT images. Together with the wall shear stress these information are combined in a user interface for visual exploration. Current research indicates a correlation between wall enhancement and rupture of intracranial aneurysms. However, a problem is the objective and automatic segmentation of wall enhancement for research and clinical routines in the future. To integrate vessel wall imaging and wall enhancement in clinical routine, a semi-automatic wall enhancement segmentation is developed. Additionalyl, the aneurysm shape is used for rupture prediction with geometric deep learning. A visualization of the deep learning to increase acceptance of the prediction is also presented. Hemodynamic parameters like the wall shear stress are a major part of aneurysm research. For clinical routine, hemodynamic simulations are too time-consuming and require expert knowledge. As a first step towards inclusion of these parameters in clinical routine, geometric deep learning approaches to reduce the effort for hemodynamic simulations are presented. The wall shear stress of artificial as well as patient-specific aneurysms is predicted with geometric deep learning.

Intrakranialle Aneurysmen sind krankhafte Veränderungen der Gefäßwände im Gehirn. Die Ruptur eines intrakraniallen Aneurysmas kann fatale Folgen haben, weswegen das Ziel der Therapie eine Verhinderung der Ruptur ist. Da das individuelle Rupturrisko stark variiert und viele Aneurysmen nicht rupturieren, ist die Analyse des Rupturrisikos ein wichtiger Teil der Therapieentscheidung. Die Faktoren, welche zur Ruptur eines Aneurysmas führen, werden noch erforscht. Aktuelle Forschung deutet darauf hin, dass Veränderungen in der Aneurysmenwand eine wichtige Rolle bei der Aneurysmenruptur spielen. In dieser Arbeit wurden Algorithmen zur Analyse und Erstellung von 3D-Modellen patientenspezifischer Aneurysmenwände aus histologischen Bilddaten entwickelt. Im ersten Projekt wird die Rekonstruktion eines 3D-Modells eines Aneurysmas einschließlich des Elterngefäßes basierend auf 2D histologischen Daten beschrieben. Diese Daten wurden post mortem gewonnen. In einem weiteren Projekt wurden histologische und microCT-Bilder eines während einer Operation entfernten Gewebestückes mit präoperativen Daten kombiniert. Beide Projekte verwenden histologische Daten, welche zwar wichtig für die Erforschung der Aneurysmenwand, jedoch nicht für den klinischen Alltag geeignet sind, da sie die Entnahme des Aneurysmagewebes im Rahmen eines operativen Eingriffs erfordern. Zwei weitere Projekte in dieser Arbeit betrachten Möglichkeiten, die Aneurysmenwand im klinischen Alltag zu verwenden. In Zukunft könnte die Abschätzung des Rupturrisikos durch vessel wall imaging, Segmentierung des wall enhancement und geometric deep learning unterstützt werden. Des Weiteren könnten hämodynamische Parameter wie die Wandschubspannung in Zukunft Teil der klinischen Beurteilung von intrakraniallen Aneurysmen werden. 2D histologische Bilder wurden verwendet, um ein 3D-Modell der Gefäßwand eines intrakraniallen Aneusymas zu konstruieren. Diese Rekonstruktion beinhaltet die Definition verschiedener in der Wand auftretender Gewebetypen, die Segmentierung der Bilder und die Extraktion der Konturen der einzelnen Gewebestücke. Anschließend erfolgt eine Registrierung der Gewebe und Erstellung von 3D-Punktwolken sowie Meshes. Für die Meshgeneration wurde ein neuer Algorithmus basierend auf dem Verhalten eines Schrumpfschlauches entwickelt. Das resultierende 3DMo- dell der Wand besteht aus über 100 kleinen Meshes, welche die verschiedenen Gewebestücke der Aneurysmenwand zeigen. Das zweite Projekt kombiniert histologische Bilder mit weiteren prä- und postoperativ gewonnenen Bildern. Ein 3D-Modell des Aneurysmas basierend auf präoperativen Bildern zeigt die Form des Aneurysmas und ein microCT-Scan die Form des Gewebes vor der Erstellung der histologischen Schnitte. Das aus dem microCT gewonnene Gewebemodell wurde auf das präoperative Aneurysma-Modell registriert und an die Aneurysmenform angepasst. In einem visual exploration tool sind die Informationen aus histologischen Bildern, microCT, präoperativen Bildern und hämodynamischen Simulationen kombiniert. Vorherige Studien legen einen Zusammenhang zwischen wall enhancement und Aneurysmenruptur nahe. Derzeit fehlt eine automatische und objektive Segmentierung für weitere Forschung und zukünftige Anwendung im klinischen Alltag. In dieser Arbeit wird eine semi-automatische Segmentierung vorgestellt. Des Weiteren wird mittels geometric deep learning die Form des Aneurysmas zur Vorhersage der Aneurysmenruptur verwendet. Eine Visualisierung der deep learning Resultate soll zur Akzeptanz dieser beitragen. Hämodynamische Parameter wie die Wandschubspannung sind ein aktives Forschungsfeld der Aneurysmenforschung. Da die Simulation des Blutfluss Expertenkenntnisse voraussetzt und zeitaufwendig ist, ist sie nicht für den Klinikalltag geeignet. In dieser Arbeit wird geometric deep learning verwendet, um den Aufwand zu reduzieren. Für künstliche Aneurysmenmodelle sowie für patientenspezifische Aneurysmen wird die Wandschubspannung mittels deep learning vorhergesagt.