IRM de Segmentation Automatique Gliome Cérébral

Les gliomes sont les tumeurs cérébrales primitives les plus courantes et sont classés selon leurs aspects histopathologiques à l'aide du système de l'Organisation mondiale de la santé (OMS) en gliomes de bas grade (LGG) (grades I et II) et en gliomes de haut grade (gliome anaplasique de grade III et grade Glioblastome IV.

Les gliomes, en particulier de haut grade, présentent des schémas de croissance irréguliers infiltrant le cerveau environnant et montrant ainsi des limites irrégulières qui peuvent ne pas être claires sur les images de résonance magnétique (IRM) conventionnelles. Les images IRM sont inspectées visuellement par des radiologues, cependant, l'évaluation visuelle est subjective et prend du temps. et sujettes à la variabilité en raison des différences entre les évaluateurs. La délimitation précise des limites tumorales ainsi que l'évaluation du volume tumoral sont essentielles pour la planification du traitement et le suivi de la réponse au traitement. Cependant, la délimitation précise des limites du gliome à l'aide d'une évaluation visuelle subjective est souvent difficile en raison de l'hétérogénéité et de la complexité de la tumeur, du chevauchement de l'intensité du signal avec les tissus environnants et de la croissance inégale de la tumeur dans les structures voisines .

Par rapport à la volumétrie tumorale, l'évaluation visuelle de routine de la taille de la tumeur est basée sur de simples mesures linéaires du volume brut de la tumeur. Ces mesures bidimensionnelles sont souvent réalisées sur une seule coupe IRM sans mesures volumétriques. Ces mesures linéaires dépendent de l'utilisateur et sont sujettes à des erreurs en raison de la variabilité accrue des mesures, en particulier dans les lésions de forme irrégulière. Les méthodes de segmentation tumorale entièrement automatiques basées sur ordinateur présentent une solution possible à ces problèmes. Le processus est basé sur l'extraction d'informations à partir d'images IRM cérébrales structurelles à l'aide d'un modèle tissulaire probabiliste pour définir les limites claires de la tumeur à l'aide de différentes séquences d'impulsions IRM. Ces méthodes pourraient identifier avec précision et rapidement le gliome du tissu cérébral normal environnant et effectuer une volumétrie tumorale, tout en éliminant la variabilité intra-observateur et inter-observateur. traitement, le suivi de la progression de la maladie et l'évaluation de l'efficacité du traitement. Dans le processus de segmentation automatique du gliome, différentes parties du gliome sont caractérisées comme une tumeur solide (active), une nécrose et un œdème péritumoral .

Les méthodes de segmentation automatique utilisent des techniques d'intelligence artificielle et d'apprentissage automatique pour extraire des informations d'IRM multi-séquences, y compris, essentiellement, des séquences T1W, T1W améliorées au gadolinium, T2W et FLAIR .

Une évaluation appropriée de l'étendue de la résection tumorale joue un rôle important dans le pronostic du gliome, car la maximisation de l'étendue de la résection influence la survie de ces patients. La résection complète de la tumeur rehaussée, définie comme l'ablation des derniers 1 à 2 % de la tumeur, semble offrir le plus grand bénéfice en termes de survie du patient. La segmentation automatique pourrait conduire à un meilleur diagnostic et à une planification de traitement appropriée grâce à une localisation et une classification précises des tumeurs.