Автоматическая сегментация МРТ церебральной глиомы

Глиомы являются наиболее распространенными первичными опухолями головного мозга и классифицируются по их гистопатологическим проявлениям с использованием системы Всемирной организации здравоохранения (ВОЗ) на глиому низкой степени злокачественности (LGG) (степень I и II) и глиому высокой степени злокачественности (анапластическая глиома степени III и степень злокачественности). IV глиобластома.

Глиомы, особенно высокой степени злокачественности, демонстрируют неправильный характер роста, инфильтрирующий окружающий мозг и, таким образом, демонстрирующий нерегулярные границы, которые могут быть нечеткими на обычных магнитно-резонансных изображениях (МРТ). и склонны к изменчивости из-за межэкспертных различий. Точное определение границ опухоли, а также оценка ее объема необходимы для планирования лечения и мониторинга ответа на лечение. Однако точное определение границ глиомы с помощью субъективной визуальной оценки часто затруднено из-за неоднородности и сложности опухоли, перекрытия интенсивности сигнала с окружающими тканями и неравномерного роста опухоли в близлежащие структуры.

По сравнению с измерением объема опухоли рутинная визуальная оценка размера опухоли основана на простых линейных измерениях общего объема опухоли. Эти двумерные измерения часто выполняются на одном срезе МРТ без объемных измерений. Эти линейные измерения зависят от пользователя и подвержены ошибкам из-за повышенной изменчивости измерений, особенно при поражениях неправильной формы Компьютерные полностью автоматические методы сегментации опухоли представляют собой возможное решение этих проблем. Процесс основан на извлечении информации из структурных изображений МРТ головного мозга с использованием вероятностной модели ткани для определения четких границ опухоли с использованием различных последовательностей импульсов МРТ. Эти методы могут точно и быстро идентифицировать глиому из окружающей нормальной ткани головного мозга и выполнять объемную оценку опухоли, устраняя при этом вариабельность внутри наблюдателя и между наблюдателями. лечения, наблюдения за прогрессированием заболевания и оценки эффективности терапии. В процессе автоматической сегментации глиомы различные участки глиомы характеризуются солидной (активной) опухолью, некрозом и периопухолевым отеком.

В методах автоматической сегментации используются методы искусственного интеллекта и машинного обучения для извлечения информации из многопоследовательной МРТ, включая, в основном, последовательности T1W, T1W, T2W с усилением гадолиния и FLAIR.

Соответствующая оценка степени резекции опухоли играет важную роль в прогнозе глиомы, поскольку максимизация степени резекции влияет на выживаемость у этих пациентов. Полная резекция увеличивающейся опухоли, определяемая как удаление последних 1-2% опухоли, по-видимому, обеспечивает наибольшую пользу с точки зрения выживания пациента. Автоматическая сегментация может привести к лучшей диагностике и правильному планированию лечения благодаря точной локализации и классификации опухоли.