Subregionale Tumorsegmentierung basierend auf CEUS-Perfusionseigenschaften: Verbesserung der Brusttumordiagnose

Brustkrebs ist eine der häufigsten Krebsarten bei Frauen weltweit und seine zunehmende Inzidenz stellt eine erhebliche Bedrohung für die Gesundheit von Frauen dar. Trotz bemerkenswerter Fortschritte in der Frühdiagnose und Behandlung aufgrund des kontinuierlichen Fortschritts in der Medizintechnik führt die hohe Heterogenität bei Brustkrebs immer noch zu erheblichen Schwankungen bei den klinischen Manifestationen, dem Ansprechen auf die Behandlung und dem Krankheitsverlauf. Diese Vielfalt stellt neue Herausforderungen für eine präzise Behandlung dar. Daher ist eine tiefgreifende Erforschung und Untersuchung der Heterogenität von Brustkrebs von entscheidender Bedeutung für die Entwicklung effektiverer Diagnosemodelle, die Weiterentwicklung von Behandlungsstrategien und die Verbesserung der Heilungsraten.

Obwohl die Biopsie in der aktuellen klinischen Praxis häufig zur Diagnose gutartiger oder bösartiger Brusttumoren eingesetzt wird, sind ihre Genauigkeit und Vollständigkeit aufgrund der komplexen internen Heterogenität von Brustkrebs und der invasiven Natur des Verfahrens etwas eingeschränkt. In den letzten Jahren ist die präoperative qualitative Diagnose von Brustkrebs mithilfe medizinischer Bildgebungstechnologie zu einem heißen Forschungsthema geworden. Im Vergleich zu anderen gängigen bildgebenden Verfahren wie CT und MRT wird die Ultraschalluntersuchung aufgrund ihrer Sicherheit, Bequemlichkeit und geringeren Kosten häufig eingesetzt. Insbesondere die kontrastverstärkte Ultraschalltechnologie (CEUS) mit ihrer überlegenen zeitlichen Auflösung kann die Details der Hämodynamik der Tumorperfusion anschaulich veranschaulichen und wichtige Merkmale wie Kontrastmittelmuster, Blutversorgung und Gefäßinvasion des Tumors effektiv aufdecken.

Diese Studie widmet sich der Verwendung dynamischer CEUS-Videos, um Perfusionseigenschaften auf Pixelebene innerhalb des Tumors zu gruppieren und den Tumor basierend auf den Clustering-Ergebnissen in verschiedene Unterregionen zu unterteilen. Wir werden den Zusammenhang zwischen diesen Perfusionssubregionen und der Diagnose gutartiger oder bösartiger Brusttumoren untersuchen und darauf basierend entsprechende Diagnosemodelle entwickeln. Dieser nicht-invasive diagnostische Ansatz zielt darauf ab, Bilddaten maximal zu extrahieren und zu nutzen, die Perfusionseigenschaften des Tumors umfassend auf Pixelebene zu erfassen und subjektive Beurteilungen im Diagnoseprozess zu reduzieren. Die Anwendung dieser Methode soll nicht nur die Genauigkeit der Brustkrebsdiagnose verbessern, sondern auch mehr Informationsunterstützung für die personalisierte Behandlung von Patientinnen bieten und so den Fortschritt auf dem Gebiet der Brustkrebsbehandlung fördern.