Segmentación automática MRI Glioma cerebral

Los gliomas son los tumores cerebrales primarios más comunes y se clasifican según su apariencia histopatológica utilizando el sistema de la Organización Mundial de la Salud (OMS) en glioma de bajo grado (LGG) (grados I y II) y glioma de alto grado (glioma anaplásico de grado III y grado IV glioblastoma.

Los gliomas, particularmente los de alto grado, muestran patrones de crecimiento irregulares que se infiltran en el cerebro circundante y, por lo tanto, muestran límites irregulares que pueden no estar claros en las imágenes de resonancia magnética (IRM) convencionales. Los radiólogos inspeccionan visualmente las imágenes de RM; sin embargo, la evaluación visual es subjetiva y lleva mucho tiempo. y propenso a la variabilidad debido a las diferencias entre evaluadores. La delineación precisa de los límites del tumor, así como la evaluación del volumen del tumor, son esenciales para la planificación del tratamiento y el control de la respuesta al tratamiento. Sin embargo, la delimitación precisa de los límites del glioma mediante la evaluación visual subjetiva suele ser difícil debido a la heterogeneidad y complejidad del tumor, la superposición de la intensidad de la señal con los tejidos circundantes y el crecimiento desigual del tumor en las estructuras cercanas.

En comparación con la volumetría del tumor, la evaluación visual de rutina del tamaño del tumor se basa en mediciones lineales simples del volumen total del tumor. Estas mediciones bidimensionales a menudo se realizan en un solo corte de resonancia magnética sin mediciones volumétricas. Estas mediciones lineales dependen del usuario y son propensas a errores debido a la mayor variabilidad de la medición, especialmente en lesiones de forma irregular. Los métodos de segmentación tumoral totalmente automáticos basados ​​en computadora presentan una posible solución a estos problemas. El proceso se basa en la extracción de información de imágenes de resonancia magnética estructural del cerebro utilizando un modelo de tejido probabilístico para definir los límites claros del tumor utilizando diferentes secuencias de pulsos de resonancia magnética. Estos métodos podrían identificar con precisión y rapidez el glioma del tejido cerebral normal circundante y realizar la volumetría del tumor, al tiempo que eliminan la variabilidad intraobservador e interobservador. Los cambios internos dentro del glioma, como el patrón de realce y la degeneración, son cruciales para identificar el grado del glioma, planificar el tratamiento, seguimiento de la progresión de la enfermedad y evaluación de la eficacia de la terapia. En el proceso de segmentación automática del glioma, las diferentes partes del glioma se caracterizan como tumor sólido (activo), necrosis y edema peritumoral.

Los métodos de segmentación automática utilizan inteligencia artificial y técnicas de aprendizaje automático para la extracción de información de MRI de múltiples secuencias que incluyen, básicamente, secuencias T1W, T1W mejoradas con gadolinio, T2W y FLAIR.

La evaluación adecuada de la extensión de la resección del tumor juega un papel importante en el pronóstico del glioma, ya que maximizar la extensión de la resección influye en la supervivencia de estos pacientes. La resección completa del tumor realzado, definida como la extirpación del 1-2% final del tumor, parece brindar el mayor beneficio en términos de supervivencia del paciente. La segmentación automática podría conducir a un mejor diagnóstico y una adecuada planificación del tratamiento a través de la localización y clasificación precisas del tumor.