多参数MRI的基于规则的体积细分,用于评估复发性高度质瘤的反应

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 在多参数MRI (mpMRI) 中精确细分脑瘤子区域对于治疗反应评估至关重要.
• 目前的细分方法可能缺乏一致性和可解释性,特别是在复杂的病例中,如高度质瘤 (HGG) 和复发性HGG (rHGG).
• 对瘤组件的定量分析对于评估临床试验中的治疗疗效至关重要.

研究的目的:

• 开发和验证基于领域知识的规则,用于在脑mpMRI中对不同组织类型进行细分.
• 评估这些规则在量化对比度增强瘤 (CE) 和周围瘤胀方面的准确性.
• 评估这些细分体积在为rHGG接受免疫放射治疗的患者预测临床进展中的有用性.

主要方法:

• 基于像素强度的规则的开发,使用来自18名HGG,rHGG和大脑转移的参与者的mpMRI数据集.
• 对比增强瘤 (CE),出血,液体,非增强瘤 (Edema1) 和白内障病 (Edema2) 在校准,共同注册的mpMRI上进行细分.
• 对235名HGG参与者的外部验证 (BraTS 2020) 和在32名接受串行mpMRI的rHGG患者的治疗数据集中的应用.

主要成果:

• 基于规则的细分显示出与基本真实体积的显著相关性:CE (R = 0.85,p < 0.001) 和高FLAIR (R = 0.87,p < 0.001).
• 结合治疗持续时间和基于规则的CE/液体体积的预测模型在30天内预测进展时达到82.5%的准确性.
• 决策树方法提供了经过验证和一致的内组织体积.

结论:

• 基于领域知识的规则为mpMRI上细分脑瘤组织提供了一种经过验证和一致的方法.
• 这种方法可以对瘤组件进行可靠的定量评估,这对于监测治疗反应至关重要.
• 开发的方法显示出在临床试验环境中预测rHGG患者的临床进展的前景.