Automatisk Segmentation MRI Cerebral Gliom

Gliomer er de mest almindelige primære hjernetumorer og klassificeres efter deres histopatologiske udseende ved hjælp af Verdenssundhedsorganisationens (WHO) system i lavgradigt gliom (LGG) (grad I og II) og højgradigt gliom (grad III anaplastisk gliom og grad. IV glioblastom.

Gliomer, især af høj kvalitet, udviser uregelmæssige vækstmønstre, der infiltrerer den omgivende hjerne og viser således uregelmæssige grænser, der muligvis ikke er klare på konventionelle magnetiske resonansbilleder (MRI) MR-billeder inspiceres visuelt af radiologer, men visuel vurdering er subjektiv, tidskrævende og tilbøjelig til variabilitet på grund af forskelle mellem bedømmere. Nøjagtig afgrænsning af tumorgrænser samt vurdering af tumorvolumen er afgørende for behandlingsplanlægning og overvågning af behandlingsrespons. Imidlertid er nøjagtig afgrænsning af grænserne for gliom ved hjælp af subjektiv visuel vurdering ofte vanskelig på grund af tumorheterogenitet og kompleksitet, overlappende signalintensitet med omgivende væv og ujævn tumorvækst i nærliggende strukturer.

Sammenlignet med tumorvolumetri er den rutinemæssige visuelle evaluering af tumorstørrelse baseret på simple lineære målinger af bruttotumorvolumenet. Disse todimensionelle målinger udføres ofte på et enkelt MR-snit uden volumetriske målinger. Disse lineære målinger er brugerafhængige og tilbøjelige til fejl på grund af øget målevariabilitet, især i uregelmæssigt formede læsioner Computerbaserede fuldautomatiske tumorsegmenteringsmetoder præsenterer en mulig løsning på disse problemer. Processen er baseret på informationsekstraktion fra strukturelle hjerne-MR-billeder ved hjælp af en probabilistisk vævsmodel til at definere de klare tumorgrænser ved hjælp af forskellige MR-pulssekvenser. Disse metoder kunne nøjagtigt og hurtigt identificere gliom fra omgivende normalt hjernevæv og udføre tumorvolumetri, samtidig med at man eliminerer intra-observatør og inter-observatør variabilitet. Interne ændringer i gliom, såsom forstærkningsmønster og degeneration er afgørende for identifikation af gliomgrad, planlægning af behandling, monitorering af sygdomsprogression og evaluering af behandlingens effektivitet. I processen med automatisk gliomsegmentering karakteriseres forskellige dele af gliomet som solid (aktiv) tumor, nekrose og peritumoralt ødem.

Automatiske segmenteringsmetoder anvender kunstig intelligens og maskinlæringsteknikker til udvinding af information fra multi-sekvens MRI, herunder grundlæggende T1W, Gadolinium forbedrede T1W, T2W og FLAIR sekvenser.

Passende vurdering af omfanget af tumorresektion spiller en vigtig rolle i prognosen for gliom, da maksimering af omfanget af resektion påvirker overlevelsen hos disse patienter. Fuldstændig resektion af forstærkende tumor, defineret som fjernelse af de sidste 1-2 % af tumoren, synes at give den største fordel med hensyn til patientens overlevelse. Automatisk segmentering kan føre til bedre diagnose og korrekt behandlingsplanlægning gennem nøjagtig tumorlokalisering og klassificering.