Automatisk segmentering MR Cerebral Gliom

Gliomer er de vanligste primære hjernesvulstene og klassifiseres etter deres histopatologiske utseende ved hjelp av Verdens helseorganisasjon (WHO)-systemet i lavgradig gliom (LGG) (grad I og II) og høygradig gliom (grad III anaplastisk gliom og grad. IV glioblastom.

Gliomer, spesielt høygradige, viser uregelmessige vekstmønstre som infiltrerer den omkringliggende hjernen og viser dermed uregelmessige grenser som kanskje ikke er klare på konvensjonelle magnetiske resonansbilder (MRI) MR-bilder blir visuelt inspisert av radiologer, men visuell vurdering er subjektiv, tidkrevende og utsatt for variasjon på grunn av forskjeller mellom rater. Nøyaktig avgrensning av tumorgrenser samt vurdering av tumorvolum er avgjørende for behandlingsplanlegging og overvåking av behandlingsrespons. Imidlertid er nøyaktig avgrensning av grensene til gliom ved bruk av subjektiv visuell vurdering ofte vanskelig på grunn av tumorheterogenitet og kompleksitet, overlappende signalintensitet med omkringliggende vev og ujevn tumorvekst inn i nærliggende strukturer.

Sammenlignet med tumorvolumetri, er den rutinemessige visuelle evalueringen av tumorstørrelse basert på enkle lineære målinger av brutto tumorvolum. Disse todimensjonale målingene utføres ofte på en enkelt MR-skive uten volumetriske målinger. Disse lineære målingene er brukeravhengige og utsatt for feil på grunn av økt målevariabilitet, spesielt i uregelmessig formede lesjoner Databaserte helautomatiske tumorsegmenteringsmetoder presenterer en mulig løsning på disse problemene. Prosessen er basert på informasjonsekstraksjon fra strukturelle MR-bilder av hjernen ved bruk av en sannsynlig vevsmodell for å definere de klare tumorgrensene ved bruk av forskjellige MR-pulssekvenser. Disse metodene kan nøyaktig og raskt identifisere gliom fra omkringliggende normalt hjernevev, og utføre tumorvolumetri, samtidig som de eliminerer intra-observatør og inter-observatør variabilitet. Interne endringer i gliom, som forsterkningsmønster og degenerasjon er avgjørende for identifisering av gliomgrad, planlegging av behandling, overvåking av sykdomsprogresjon og evaluering av terapiens effekt. I prosessen med automatisk gliomsegmentering karakteriseres forskjellige deler av gliomet som solid (aktiv) tumor, nekrose og peritumoralt ødem.

Automatiske segmenteringsmetoder bruker kunstig intelligens og maskinlæringsteknikker for utvinning av informasjon fra multi-sekvens MR, inkludert i utgangspunktet T1W, Gadolinium forbedrede T1W, T2W og FLAIR sekvenser.

Hensiktsmessig vurdering av omfanget av tumorreseksjon spiller en viktig rolle i prognosen for gliom, siden maksimering av omfanget av reseksjon påvirker overlevelsen hos disse pasientene. Fullstendig reseksjon av forsterkende svulst, definert som fjerning av de siste 1-2 % av svulsten, ser ut til å gi størst fordel når det gjelder pasientens overlevelse. Automatisk segmentering kan føre til bedre diagnose og riktig behandlingsplanlegging gjennom nøyaktig tumorlokalisering og klassifisering.