Automaattinen segmentointi MRI aivogliooma

Glioomat ovat yleisimmät primaariset aivokasvaimet, ja ne luokitellaan histopatologisten esiintymistensä perusteella Maailman terveysjärjestön (WHO) järjestelmän mukaan matala-asteiseen glioomaan (LGG) (asteet I ja II) ja korkea-asteen glioomaan (asteen III anaplastinen gliooma ja aste). IV glioblastooma.

Erityisesti korkealaatuisissa glioomissa on epäsäännöllisiä kasvukuvioita, jotka tunkeutuvat ympäröiviin aivoihin ja osoittavat siten epäsäännöllisiä rajoja, jotka eivät välttämättä ole selkeitä tavanomaisissa magneettikuvauksissa (MRI). Radiologit tarkastavat MR-kuvat visuaalisesti, mutta visuaalinen arviointi on subjektiivista ja aikaa vievää. ja altis vaihtelulle arvioijien välisten erojen vuoksi. Kasvaimen rajojen tarkka määrittäminen ja kasvaimen tilavuuden arviointi ovat olennaisia ​​hoidon suunnittelussa ja hoitovasteen seurannassa. Gliooman rajojen tarkka rajaaminen subjektiivisen visuaalisen arvioinnin avulla on kuitenkin usein vaikeaa johtuen kasvaimen heterogeenisyydestä ja monimutkaisuudesta, signaalin intensiteetin päällekkäisyydestä ympäröivien kudosten kanssa ja kasvaimen epätasaisesta kasvusta läheisiin rakenteisiin .

Verrattuna kasvaimen tilavuuteen, tuumorin koon rutiininomainen visuaalinen arviointi perustuu kasvaimen kokonaistilavuuden yksinkertaisiin lineaarisiin mittauksiin. Nämä kaksiulotteiset mittaukset suoritetaan usein yhdelle MRI-leikalle ilman tilavuusmittauksia. Nämä lineaariset mittaukset ovat käyttäjäriippuvaisia ​​ja alttiita virheille lisääntyneen mittausvaihtelun vuoksi, erityisesti epäsäännöllisen muotoisissa leesioissa. Tietokonepohjaiset täysin automaattiset kasvaimen segmentointimenetelmät tarjoavat mahdollisen ratkaisun näihin ongelmiin. Prosessi perustuu tietojen poimimiseen rakenteellisista aivojen MRI-kuvista käyttämällä todennäköisyyspohjaista kudosmallia, jotta tuumorin selkeät rajat määritetään käyttämällä erilaisia ​​MRI-pulssisekvenssejä. Näillä menetelmillä voidaan tarkasti ja nopeasti tunnistaa gliooma ympäröivästä normaalista aivokudoksesta ja suorittaa kasvaimen tilavuusmittaus samalla kun eliminoidaan tarkkailijan sisäinen ja tarkkailijan välinen vaihtelu. Sisäiset muutokset glioomassa, kuten vahvistumiskuvio ja rappeuma, ovat ratkaisevia gliooman asteen tunnistamisessa, hoidon suunnittelussa. hoitoon, taudin etenemisen seurantaan ja hoidon tehokkuuden arviointiin. Automaattisen gliooman segmentoinnin prosessissa gliooman eri osia luonnehditaan kiinteäksi (aktiiviseksi) kasvaimeksi, nekroosiksi ja kasvaimen ympärillä olevaksi turvotukseksi.

Automaattiset segmentointimenetelmät käyttävät tekoälyä ja koneoppimistekniikoita tiedon poimimiseen monisekvenssi-magneettikuvauksesta, mukaan lukien pohjimmiltaan T1W-, Gadoliniumilla tehostetut T1W-, T2W- ja FLAIR-sekvenssit.

Kasvaimen resektion laajuuden asianmukaisella arvioinnilla on tärkeä rooli gliooman ennusteessa, koska resektion laajuuden maksimointi vaikuttaa näiden potilaiden eloonjäämiseen. Tehostavan kasvaimen täydellinen resektio, joka määritellään kasvaimen viimeisten 1-2 %:n poistamiseksi, näyttää tarjoavan eniten hyötyä potilaan eloonjäämisen kannalta. Automaattinen segmentointi voi johtaa parempaan diagnoosiin ja oikeaan hoidon suunnitteluun kasvaimen tarkan lokalisoinnin ja luokituksen avulla.