Automatická segmentace MRI cerebrální gliom

Gliomy jsou nejčastější primární mozkové nádory a jsou klasifikovány podle histopatologického vzhledu pomocí systému Světové zdravotnické organizace (WHO) na gliom nízkého stupně (LGG) (stupně I a II) a gliom vysokého stupně (anaplastický gliom III. stupně a stupeň IV glioblastom.

Gliomy, zvláště vysoce kvalitní, vykazují nepravidelné růstové vzorce pronikající do okolního mozku a vykazují tak nepravidelné hranice, které nemusí být jasné na konvenčních snímcích z magnetické rezonance (MRI). MR snímky jsou vizuálně kontrolovány radiology, nicméně vizuální hodnocení je subjektivní a časově náročné a náchylné k variabilitě v důsledku rozdílů mezi hodnotiteli. Přesné vymezení hranic nádoru a také posouzení objemu nádoru jsou zásadní pro plánování léčby a sledování léčebné odpovědi. Přesné vymezení hranic gliomu pomocí subjektivního vizuálního hodnocení je však často obtížné kvůli heterogenitě a složitosti nádoru, překrývající se intenzitě signálu s okolními tkáněmi a nerovnoměrnému růstu nádoru do blízkých struktur.

Ve srovnání s volumetrií nádoru je rutinní vizuální hodnocení velikosti nádoru založeno na jednoduchých lineárních měřeních celkového objemu nádoru. Tato dvourozměrná měření se často provádějí na jediném řezu MRI bez objemových měření. Tato lineární měření jsou závislá na uživateli a jsou náchylná k chybám v důsledku zvýšené variability měření, zejména u lézí nepravidelného tvaru. Počítačové plně automatické metody segmentace nádorů představují možné řešení těchto problémů. Proces je založen na extrakci informací ze strukturálních mozkových MRI obrazů pomocí pravděpodobnostního tkáňového modelu k definování jasných hranic nádoru pomocí různých MRI pulzních sekvencí. Tyto metody by mohly přesně a rychle identifikovat gliom z okolní normální mozkové tkáně a provádět volumetrii nádoru a zároveň eliminovat variabilitu mezi pozorovateli a mezi pozorovateli Vnitřní změny v gliomu, jako je vzor zesílení a degenerace, jsou klíčové pro identifikaci stupně gliomu, plánování léčba, sledování progrese onemocnění a hodnocení účinnosti terapie. V procesu automatické segmentace gliomu jsou různé části gliomu charakterizovány jako solidní (aktivní) tumor, nekróza a peritumorální edém.

Metody automatické segmentace využívají umělou inteligenci a techniky strojového učení pro extrakci informací z vícesekvenčních MRI, včetně v podstatě sekvencí T1W, gadolinium vylepšených T1W, T2W a FLAIR sekvencí.

Vhodné posouzení rozsahu resekce tumoru hraje důležitou roli v prognóze gliomu, protože maximalizace rozsahu resekce ovlivňuje přežití těchto pacientů. Zdá se, že největší přínos z hlediska přežití pacienta poskytuje kompletní resekce enhancujícího tumoru, definovaná jako odstranění posledních 1–2 % tumoru. Automatická segmentace by mohla vést k lepší diagnostice a správnému plánování léčby prostřednictvím přesné lokalizace a klasifikace nádoru.