Automatische Segmentatie MRI Cerebraal Glioom

Gliomen zijn de meest voorkomende primaire hersentumoren en worden geclassificeerd op basis van hun histopathologische verschijningsvormen met behulp van het systeem van de Wereldgezondheidsorganisatie (WHO) in laaggradig glioom (LGG) (graad I en II) en hooggradig glioom (graad III anaplastisch glioom en graad IV glioblastoom.

Gliomen, met name hoogwaardige, vertonen onregelmatige groeipatronen die de omringende hersenen infiltreren en zo onregelmatige grenzen vertonen die misschien niet duidelijk zijn op conventionele magnetische resonantiebeelden (MRI) MR-beelden worden visueel geïnspecteerd door radiologen, maar visuele beoordeling is subjectief, tijdrovend en vatbaar voor variabiliteit als gevolg van verschillen tussen beoordelaars. Nauwkeurige afbakening van tumorgrenzen en beoordeling van het tumorvolume zijn essentieel voor het plannen van de behandeling en het bewaken van de behandelingsrespons. Nauwkeurige afbakening van de grenzen van glioom met behulp van subjectieve visuele beoordeling is echter vaak moeilijk vanwege de heterogeniteit en complexiteit van de tumor, overlappende signaalintensiteit met omliggende weefsels en ongelijke tumorgroei in nabijgelegen structuren .

Vergeleken met tumorvolumetrie is de routinematige visuele evaluatie van de tumorgrootte gebaseerd op eenvoudige lineaire metingen van het bruto tumorvolume. Deze tweedimensionale metingen worden vaak uitgevoerd op een enkele MRI-slice zonder volumetrische metingen. Deze lineaire metingen zijn afhankelijk van de gebruiker en gevoelig voor fouten als gevolg van de toegenomen meetvariabiliteit, vooral bij onregelmatig gevormde laesies Computergebaseerde volautomatische tumorsegmentatiemethoden bieden een mogelijke oplossing voor deze problemen. Het proces is gebaseerd op informatie-extractie van structurele MRI-beelden van de hersenen met behulp van een probabilistisch weefselmodel om de duidelijke tumorgrenzen te definiëren met behulp van verschillende MRI-pulssequenties. Deze methoden kunnen glioom nauwkeurig en snel identificeren van omringend normaal hersenweefsel en tumorvolumetrie uitvoeren, terwijl de variabiliteit tussen waarnemers en tussen waarnemers wordt geëlimineerd. behandeling, monitoring van ziekteprogressie en evaluatie van de werkzaamheid van therapie. In het proces van automatische glioomsegmentatie worden verschillende delen van het glioom gekarakteriseerd als solide (actieve) tumor, necrose en peritumoraal oedeem.

Automatische segmentatiemethoden maken gebruik van kunstmatige intelligentie en machine learning-technieken voor het extraheren van informatie uit multi-sequentie MRI, waaronder in feite T1W-, Gadolinium-verbeterde T1W-, T2W- en FLAIR-sequenties.

Een juiste beoordeling van de omvang van de tumorresectie speelt een belangrijke rol bij de prognose van een glioom, aangezien het maximaliseren van de omvang van de resectie de overleving van deze patiënten beïnvloedt. Volledige resectie van aangroeiende tumor, gedefinieerd als het verwijderen van de laatste 1-2% van de tumor, lijkt het meeste voordeel te bieden in termen van overleving van de patiënt. Automatische segmentatie zou kunnen leiden tot een betere diagnose en een juiste behandelingsplanning door nauwkeurige tumorlokalisatie en -classificatie.