Segmentação automática MRI Cerebral Glioma

Os gliomas são os tumores cerebrais primários mais comuns e são classificados por suas aparências histopatológicas usando o sistema da Organização Mundial da Saúde (OMS) em glioma de baixo grau (LGG) (graus I e II) e glioma de alto grau (glioma anaplásico grau III e glioma Glioblastoma IV.

Os gliomas, particularmente os de alto grau, exibem padrões de crescimento irregulares que se infiltram no cérebro circundante e, portanto, mostram limites irregulares que podem não ser claros em imagens de ressonância magnética (MRI) convencionais As imagens de RM são inspecionadas visualmente por radiologistas, no entanto, a avaliação visual é subjetiva e demorada e propenso a variabilidade devido a diferenças entre avaliadores. O delineamento preciso dos limites do tumor, bem como a avaliação do volume do tumor, são essenciais para o planejamento do tratamento e monitoramento da resposta ao tratamento. No entanto, a delineação precisa dos limites do glioma usando avaliação visual subjetiva é muitas vezes difícil devido à heterogeneidade e complexidade do tumor, sobrepondo a intensidade do sinal com os tecidos circundantes e o crescimento desigual do tumor em estruturas próximas.

Em comparação com a volumetria do tumor, a avaliação visual de rotina do tamanho do tumor é baseada em medições lineares simples do volume total do tumor. Essas medições bidimensionais geralmente são realizadas em uma única fatia de ressonância magnética sem medições volumétricas. Essas medições lineares dependem do usuário e são propensas a erros devido ao aumento da variabilidade de medição, especialmente em lesões de formato irregular Os métodos de segmentação de tumores totalmente automáticos baseados em computador apresentam uma possível solução para esses problemas. O processo é baseado na extração de informações de imagens estruturais de ressonância magnética do cérebro usando um modelo de tecido probabilístico para definir os limites claros do tumor usando diferentes sequências de pulsos de ressonância magnética. Esses métodos podem identificar com precisão e rapidez o glioma do tecido cerebral normal circundante e realizar a volumetria do tumor, eliminando a variabilidade intra-observador e inter-observador. tratamento, monitoramento da progressão da doença e avaliação da eficácia da terapia. No processo de segmentação automática do glioma, diferentes partes do glioma são caracterizadas como tumor sólido (ativo), necrose e edema peritumoral.

Os métodos de segmentação automática utilizam técnicas de inteligência artificial e aprendizado de máquina para extração de informações de MRI de múltiplas sequências, incluindo, basicamente, sequências T1W, T1W, T2W e FLAIR aprimoradas com gadolínio.

A avaliação adequada da extensão da ressecção tumoral desempenha um papel importante no prognóstico do glioma, uma vez que maximizar a extensão da ressecção influencia a sobrevida desses pacientes. A ressecção completa do tumor realçado, definida como a remoção dos 1-2% finais do tumor, parece proporcionar o maior benefício em termos de sobrevida do paciente. A segmentação automática pode levar a um melhor diagnóstico e planejamento de tratamento adequado por meio da localização e classificação precisas do tumor.