Radiological imaging characteristics of thrombus and infarct core in acute ischemic stroke and their association with clinical outcome

In dit proefschrift bestuderen we de relatie tussen trombus- en infarctbeeldkarakteristieken en klinische uitkomst van patiënten met een herseninfarct met als doel het effect van behandeling beter te begrijpen. Hierbij overwegen we de klinische haalbaarheid en de invloed van beeldkwaliteit en timing van beeldvorming op de gemeten karakteristieken.
In deel 1 laten we zien dat de plakdikte van CT scans invloed heeft op gemeten trombuskarakteristieken. De tijd tussen de start van een herseninfarct en de eerste beeldvorming heeft juist weinig effect op gemeten trombuskarakteristieken. Vervolgens laten we zien dat als de trombus kort is, zich in latere segmenten van de vaatstructuur bevindt en een kleiner deel van de vaatstructuur belast de kans op goede uitkomst na vaatchirurgie hoger is. Voor patiënten die alleen behandeld zijn met medicatie heeft ook trombuspermeabiliteit een positief effect op de uitkomst. Verder beschrijven we een machine learning model voor het automatisch detecteren van een trombus op CT-beelden zonder contrast in de acute setting.
In deel 2 beschrijven we een machine learning model voor het segmenteren van laesies op vervolg CT-scans. Ook bestuderen we de relatie tussen infarctkarakteristieken en klinische uitkomst. Eerst laten we zien dat er geen duidelijkere relatie tussen het infarct volume en uitkomst is wanneer we de locatie van de laesie wordt meegenomen. In de laatste studie laten we zien dat een machine learning model de klinische uitkomst het beste kan voorspellen, wanneer naast het infarctvolume, een grote hoeveelheid andere infarctkarakteristieken worden meegenomen.