Automatisk Segmentation MRT Cerebral Gliom

Gliom är de vanligaste primära hjärntumörerna och klassificeras efter deras histopatologiska utseende med hjälp av Världshälsoorganisationens (WHO) system i låggradigt gliom (LGG) (grad I och II) och höggradigt gliom (grad III anaplastiskt gliom och grad IV glioblastom.

Gliom, särskilt höggradigt, uppvisar oregelbundna tillväxtmönster som infiltrerar den omgivande hjärnan och visar därmed oregelbundna gränser som kanske inte är tydliga på konventionella magnetiska resonansbilder (MRT) MR-bilder inspekteras visuellt av radiologer, men visuell bedömning är subjektiv, tidskrävande och benägna att variera beroende på skillnader mellan bedömare. Noggrann avgränsning av tumörgränser samt bedömning av tumörvolym är avgörande för behandlingsplanering och övervakning av behandlingssvar. Men noggrann avgränsning av glioms gränser med hjälp av subjektiv visuell bedömning är ofta svår på grund av tumörheterogenitet och komplexitet, överlappande signalintensitet med omgivande vävnader och ojämn tumörtillväxt till närliggande strukturer.

Jämfört med tumörvolym är den rutinmässiga visuella utvärderingen av tumörstorleken baserad på enkla linjära mätningar av tumörvolymen. Dessa tvådimensionella mätningar utförs ofta på en enda MRI-skiva utan volymetriska mätningar. Dessa linjära mätningar är användarberoende och utsatta för fel på grund av ökad mätvariabilitet, särskilt i oregelbundet formade lesioner Datorbaserade helautomatiska tumörsegmenteringsmetoder utgör en möjlig lösning på dessa problem. Processen är baserad på informationsextraktion från strukturella MR-bilder från hjärnan med hjälp av en probabilistisk vävnadsmodell för att definiera de tydliga tumörgränserna med hjälp av olika MRT-pulssekvenser. Dessa metoder kan exakt och snabbt identifiera gliom från omgivande normal hjärnvävnad och utföra tumörvolym, samtidigt som man eliminerar intra-observatörs- och inter-observatörsvariabilitet. Interna förändringar inom gliom, såsom förstärkningsmönster och degeneration är avgörande för identifiering av gliomgrad, planering av behandling, övervakning av sjukdomsprogression och utvärdering av behandlingens effektivitet. I processen med automatisk gliomsegmentering karaktäriseras olika delar av gliom som solid (aktiv) tumör, nekros och peritumoralt ödem.

Automatiska segmenteringsmetoder använder artificiell intelligens och maskininlärningstekniker för att extrahera information från multi-sequence MRI inklusive, i princip, T1W, Gadolinium förbättrade T1W, T2W och FLAIR-sekvenser.

Lämplig bedömning av omfattningen av tumörresektion spelar en viktig roll i prognosen för gliom, eftersom maximering av omfattningen av resektion påverkar överlevnaden hos dessa patienter. Fullständig resektion av förstärkande tumör, definierad som avlägsnandet av de sista 1-2% av tumören, verkar ge den största fördelen när det gäller patientens överlevnad. Automatisk segmentering kan leda till bättre diagnos och korrekt behandlingsplanering genom noggrann tumörlokalisering och klassificering.