Automatische Segmentierung MRT zerebrales Gliom

Gliome sind die häufigsten primären Hirntumoren und werden nach ihrem histopathologischen Erscheinungsbild nach dem System der Weltgesundheitsorganisation (WHO) in niedriggradige Gliome (LGG) (Grade I und II) und hochgradige Gliome (anaplastisches Gliom Grad III und Grad III) eingeteilt IV Glioblastom.

Besonders hochgradige Gliome weisen unregelmäßige Wachstumsmuster auf, die das umgebende Gehirn infiltrieren und somit unregelmäßige Grenzen zeigen, die auf herkömmlichen Magnetresonanzbildern (MRT) möglicherweise nicht klar sind. MR-Bilder werden von Radiologen visuell untersucht, jedoch ist die visuelle Beurteilung subjektiv und zeitaufwendig und anfällig für Schwankungen aufgrund von Unterschieden zwischen den Bewertern. Eine genaue Abgrenzung der Tumorgrenzen sowie die Beurteilung des Tumorvolumens sind für die Behandlungsplanung und Überwachung des Behandlungserfolgs unerlässlich. Eine genaue Abgrenzung der Gliomgrenzen mittels subjektiver visueller Beurteilung ist jedoch aufgrund der Tumorheterogenität und -komplexität, der Überlappung der Signalintensität mit dem umgebenden Gewebe und des ungleichmäßigen Tumorwachstums in benachbarte Strukturen oft schwierig .

Im Vergleich zur Tumorvolumetrie basiert die routinemäßige visuelle Beurteilung der Tumorgröße auf einfachen linearen Messungen des Bruttotumorvolumens. Diese zweidimensionalen Messungen werden häufig an einer einzelnen MRI-Schicht ohne volumetrische Messungen durchgeführt. Diese linearen Messungen sind anwenderabhängig und aufgrund erhöhter Messvariabilität fehleranfällig, insbesondere bei unregelmäßig geformten Läsionen. Computergestützte vollautomatische Tumorsegmentierungsverfahren stellen eine mögliche Lösung für diese Probleme dar. Der Prozess basiert auf der Informationsextraktion aus strukturellen MRT-Bildern des Gehirns unter Verwendung eines probabilistischen Gewebemodells, um die klaren Tumorgrenzen unter Verwendung verschiedener MRI-Impulssequenzen zu definieren. Diese Methoden könnten Gliom aus dem umgebenden normalen Hirngewebe genau und schnell identifizieren und eine Tumorvolumetrie durchführen, während die Variabilität innerhalb des Beobachters und zwischen den Beobachtern eliminiert wird. Interne Veränderungen innerhalb des Glioms, wie z Behandlung, Überwachung des Krankheitsverlaufs und Bewertung der Wirksamkeit der Therapie. Im Prozess der automatischen Gliomsegmentierung werden verschiedene Teile des Glioms als solider (aktiver) Tumor, Nekrose und peritumorales Ödem charakterisiert .

Automatische Segmentierungsmethoden verwenden Techniken der künstlichen Intelligenz und des maschinellen Lernens zur Extraktion von Informationen aus Multisequenz-MRT, einschließlich im Wesentlichen T1W-, Gadolinium-verstärkter T1W-, T2W- und FLAIR-Sequenzen.

Eine angemessene Einschätzung des Ausmaßes der Tumorresektion spielt eine wichtige Rolle für die Prognose des Glioms, da die Maximierung des Ausmaßes der Resektion das Überleben dieser Patienten beeinflusst. Die vollständige Resektion eines sich verstärkenden Tumors, definiert als die Entfernung der letzten 1–2 % des Tumors, scheint den größten Nutzen für das Überleben des Patienten zu bieten . Die automatische Segmentierung könnte durch eine genaue Tumorlokalisierung und -klassifizierung zu einer besseren Diagnose und korrekten Behandlungsplanung führen.