پيش‌بيني نتيجه درمان بر اساس آناليز واكسل با استفاده از شاخص‌هاي ناهمسانگردي انتشار و اطلاعات مكاني در تومور GBM

Voxel Based Treatment Prediction Using Diffusion Anisotropy Indices and Spatial Information in Glioblastoma Multiform Tumor

در اين مقاله، روش جديدي براي پيش بيني نتيجه درمان تومور GBM با استفاده از داروي بواسيزوماب ارايه شده است. در اين روش از شاخص هاي ناهمسانگردي انتشار و اطلاعات مكاني براي پيش بيني پاسخ هر يك از واكسل هاي ناحيه توموري به درمان استفاده شده است. شاخص هاي ناهمسانگردي (DAI) استفاده شده عبارتند از: ناهمسانگردي جزيي (FA)، متوسط انتشار (MD)، ناهمسانگردي نسبي (RA) و نسبت حجمي (VR) كه از تصاوير تانسور انتشار (DTI) قبل از درمان استخراج شده است. اطلاعات مكاني بصورت فاصله هر واكسل توموري از مركز تومور تعريف مي شود كه از تصاوير T1-Post Contrast(PC-T1) قبل از درمان استخراج مي شوند. شاخص‌ هاي ناهمسانگردي انتشار بهمراه اطلاعات مكاني به عنوان بردار ويژگي براي هر واكسل در نظر گرفته مي شود. تصاوير DTI و PC-T1 از 7 بيمار داراي تومور GBM قبل و بعد از درمان جمع آوري شده است. ابتدا شاخص هاي ناهمسانگردي از همه واكسل هاي مغزي و فاصله هر واكسل توموري از مركز ناحيه تومور محاسبه مي شود. سپس نگاشت هاي DAI پيش از درمان و تصوير PC-T1 پس از درمان به تصوير PC-T1 قبل از درمان رجيستر مي شود آنگاه با استفاده از روش آستانه گذاري، ناحيه توموري از تصاوير PC-T1 استخراج مي شوند. سپس واكسل هايي كه كنتراستشان با گادلينيم بهبود يافته است و متعلق به تصاوير PC-T1 قبل و بعد از درمان هستند، براي برچسب گذاري بردارهاي ويژگي مورد مقايسه قرار مي گيرند. در اين روش سه طبقه بندي كننده مختلف را مورد ارزيابي قرار داديم كه عبارتند از: SVM، KNN و ANN. نتايج طبقه بندي نشان دادند كه طبقه بندي كننده KNN بر اساس معيار هاي معروف داراي نتايج بهتري مي باشد و نتايج درمان را براي هر واكسل بهتر پيش بيني مي كند.

In this paper, we propose a method to predict the outcome of Bevacizumab therapy on Glioblastoma Multiform (GBM) tumors. The method uses diffusion anisotropy indices (DAI) and spatial information to predict the treatment response of each tumor voxel. These DAIs are Fractional Anisotropy, Mean Diffusivity, Relative Anisotropy, and Volume Ratio, extracted from Diffusion Tensor Imaging (DTI) data before treatment. The spatial information is considered as the distance of each tumor voxel from the tumor center, extracted from pre-treatment post-contrast T1-weighted Magnetic Resonance Images (pc-T1-MRI). DAIs and spatial information of each tumor voxel are considered as feature vector. DTI and pc-T1-MRI are gathered before and after the treatment of seven GBM patients. First, DAIs of all brain voxels and the distance of each tumor voxel from the tumor center are calculated. Second, the method registers pre-treatment DAI maps and post-treatment pc-T1-MRI to pre-treatment pc-T1-MRI. Next, the tumor is segmented using thresholding technique from pc-T1-MRI. Then, Gd-enhanced voxels of the pre- and post-treatment pc-T1-MRI are compared to label the feature vectors. Three classifiers were evaluated, including Support Vector Machine, K-Nearest Neighbor, and Artificial Neural Network. Classification results show a preference for K-Nearest Neighbor based on well-established performance measures.