استخراج و تحليل نيمه خودكار تومورهاي مغزي GBM از تصاوير چندپارامتري تشديد مغناطيسي

Semi-automatic segmentation and analysis of GBM brain tumors in magnetic resonance images

تحليل تومورهاي مغزي در تصاوير چندپارامتري تشديد مغناطيسي امري مهم است. اگر كاربر اين كار به صورت دستي انجام دهد، علاوه بر اتلاف زمان زياد، سبب كاهش دقت و قابليت تكرارپذيري تحليل مي‌شود. خودكار كردن اين تحليل به دليل تنوع زياد در ظاهر بافت توموري بيماران مختلف، ساختار پيچيده بافت هاي توموري و همچنين شباهت بافت هاي توموري و سالم امري چالش برانگيز است. در اين مقاله راهكاري براي به حداقل رساندن نقش كاربر در تحليل تصاوير تشديد مغناطيسي به منظور استخراج تومورهاي مغزي Glioblastoma Multiform (GBM)- كه از بدخيم ترين انواع تومورهاي مغزي هستند- ارايه شده است. در اين مقاله، از 12 بيمار داراي تومور GBM تصويربرداري به عمل آمد. سپس با استفاده از روشي مستقل از كاربر و بدون نياز به پارامترهاي ابتدايي، ناحيه توموري از تصاوير با وزن T1 بعد از تزيق ماده حاجب Gd، با دقت زيادي استخراج شد. در روش ارايه شده در هيچ مرحله اي به حضور كاربر نياز نيست و تمام پيكسل هاي ناحيه روشن ((Gd-enhanced بدون توجه به محل ابتدايي آنها استخراج مي شوند. مقايسه ناحيه Gd-enhanced استخراج شده در اين روش با ناحيه انتخاب شده توسط فردي ماهر نشان دهنده كارايي زياد روش است (R2= 0.97). به منظور ارزيابي روش پيشنهادي در كاربردي عملي، از آن در پيش بيني آثار درمان تومورهاي مغزي GBM با استفاده از بواسيزوماب استفاده شد. بواسيزوماب (Bevacizumab) يكي از داروهايي است كه به دليل توانايي زياد در متوقف كردن رشد تومور و حتي كاهش اندازه تومور به آن بسيار توجه شده است. در اين راستا از 12 بيمار داراي تومور GBM در مرحله ي قبل و مدتي پس از درمان تصويربرداري به عمل آمد. ميزان كاهش نسبي حجم ناحيه Gd-enhanced استخراج شده در تصاوير با وزن T1 بعد از تزيق ماده حاجب Gd، معياري از پاسخ بيماران به دارو در نظر گرفته شد. سپس با استفاده از طبقه بندي كننده KNN تصاوير سري اول به اجزاي ماده سفيد، ماده خاكستري و مايع مغزي- نخاعي تجزيه شدند و از آنها براي تشكيل تصاوير ويژه استفاده شد. اين كار سبب حذف نقش كاربر در تشكيل تصاوير ويژه و افزايش قابليت تكرارپذيري روش شد. در ادامه با استفاده از تحليل هيستوگرام، ويژگي هاي مناسب از ناحيه Gd-enhanced استخراج شدند؛ سپس معادلات پيشگويي پاسخ بيماران به داروي مذكور برحسب ويژگي هاي به دست آمده در قسمت قبل محاسبه شدند. در بهترين حالت ضريب همبستگي 91/0 به دست آمد كه نشان دهنده امكان پيش بيني نتيجه درمان بواسيزوماب براي بيماران داراي GBM با استفاده از تصاوير تشديد مغناطيسي در روشي با حداقل نقش كاربر است. مقايسه نتايج به دست آمده در اين روش با پژوهش هاي قبلي نشان دهنده كارايي زياد روش در كنار مستقل بودن آن از كاربر است.

Segmentation of tumors in magnetic resonance images is an important task. However, it is quite time consuming and has low accuracy and reproducibility when performed manually. Automating the process is challenging, due to high diversity in appearance of tumor tissue in different patients and in many cases, similarity between tumor and normal tissues. This paper presents semi-automatic approach for analysis of multi-parametric magnetic resonance images (MRI) to segment a highly malignant brain tumor called Glioblastoma multiform (GBM). MRI studies of 12 patients with GBM tumors are used. To show that the proposed method identifies Gd-enhanced tumor pixels from T1-post contrast images minimal user interactions. They are also used to illustrate that the segmentation results obtained by the proposed approach are close to those of an expert, by showing excellent correlations among them (R2=0.97). In order to evaluate the proposed method in practical applications, effects of treatment of GBM brain tumors using Bevacizumab are predicted. Bevacizumab is a recent therapy for stopping tumor growth and even shrinking tumor through inhibition of vascular development (angiogenesis). To this end, two image series of 12 patients before and after treatment and relative changes in the volumes of the Gd-enhanced regions in T1-post contrast images are used as measure of response. The proposed method applies signal decomposition with KNN classifier to minimize user interactions and increase reproducibility of the results. Then histogram analysis is applied to extract statistical features from Gd-enhanced regions of tumor and quantify its micro structural characteristics. Predictive models developed in this work have large regression coefficients (maximum R2=0.91) indicating their capability to predict response to therapy. The results obtained by the proposed approach are compared with those of previous work where excellent correlations are obtained.