Automatyczna segmentacja MRI glejaka mózgu

Glejaki są najczęstszymi pierwotnymi guzami mózgu i są klasyfikowane na podstawie ich wyglądu histopatologicznego za pomocą systemu Światowej Organizacji Zdrowia (WHO) na glejaka o niskim stopniu złośliwości (LGG) (stopień I i II) oraz glejaka o wysokim stopniu złośliwości (glejak anaplastyczny stopnia III i glejak anaplastyczny stopnia III). glejaka IV.

Glejaki, szczególnie o wysokim stopniu złośliwości, wykazują nieregularne wzorce wzrostu naciekające otaczający mózg, a tym samym wykazujące nieregularne granice, które mogą nie być wyraźne na konwencjonalnych obrazach rezonansu magnetycznego (MRI) Obrazy MR są oceniane wzrokowo przez radiologów, jednak ocena wizualna jest subiektywna i czasochłonna i podatne na zmienność ze względu na różnice między oceniającymi. Dokładne wyznaczenie granic guza oraz ocena objętości guza są niezbędne do planowania leczenia i monitorowania odpowiedzi na leczenie. Jednak dokładne określenie granic glejaka za pomocą subiektywnej oceny wizualnej jest często trudne ze względu na niejednorodność i złożoność guza, nakładanie się intensywności sygnału z otaczającymi tkankami i nierównomierny wzrost guza w pobliskie struktury.

W porównaniu z wolumetrią guza, rutynowa wizualna ocena wielkości guza opiera się na prostych pomiarach liniowych całkowitej objętości guza. Te dwuwymiarowe pomiary są często wykonywane na pojedynczym wycinku MRI bez pomiarów objętościowych. Te pomiary liniowe są zależne od użytkownika i podatne na błędy ze względu na zwiększoną zmienność pomiaru, zwłaszcza w przypadku zmian o nieregularnym kształcie. W pełni automatyczne metody segmentacji guza oparte na komputerze stanowią możliwe rozwiązanie tych problemów. Proces opiera się na ekstrakcji informacji ze strukturalnych obrazów MRI mózgu przy użyciu probabilistycznego modelu tkanki w celu określenia wyraźnych granic guza przy użyciu różnych sekwencji impulsów MRI. Metody te mogą dokładnie i szybko identyfikować glejaka z otaczającej normalnej tkanki mózgowej i wykonywać wolumetrię guza, jednocześnie eliminując zmienność między obserwatorami i między obserwatorami. leczenia, monitorowania postępu choroby i oceny skuteczności terapii. W procesie automatycznej segmentacji glejaka różne części glejaka są charakteryzowane jako guz lity (aktywny), martwica i obrzęk okołoguzowy.

Metody automatycznej segmentacji wykorzystują sztuczną inteligencję i techniki uczenia maszynowego do ekstrakcji informacji z wielosekwencyjnego MRI, w tym głównie sekwencji T1W, wzmocnionych gadolinem T1W, T2W i FLAIR.

Właściwa ocena rozległości resekcji guza odgrywa ważną rolę w rokowaniu glejaka, ponieważ maksymalizacja rozległości resekcji wpływa na przeżycie u tych chorych. Całkowita resekcja wzmacniającego się guza, definiowana jako usunięcie ostatnich 1-2% guza, wydaje się przynosić największe korzyści pod względem przeżycia pacjenta. Automatyczna segmentacja może prowadzić do lepszej diagnozy i właściwego planowania leczenia poprzez dokładną lokalizację i klasyfikację guza.