The future of contemporary neuroimaging does not solely lie in novel image-capturing technologies, but also in better methods for extraction of useful information from these images. Scientists see great promise in radiomics, i.e. the methodology for analysis of multiple features in medical image. However, there are certain issues in this field impairing reproducibility of results. One such issue is no standards in establishing the regions of interest.
Objective: To introduce a standardized method for identification of regions of interest when analyzing MR images using radiomics; to test the hypothesis that this approach is effective for distinguishing different histological types of gliomas.
Material and methods: We analyzed preoperative MR data in 83 adults with various gliomas (WHO classification, 2016), i.e. oligodendroglioma, anaplastic oligodendroglioma, anaplastic astrocytoma, and glioblastoma. Radiomic features were computed for T1, T1-enhanced, T2 and T2-FLAIR modalities in four standardized volumetric regions of interest by 356 voxels (46.93 mm3): 1) contrast enhancement; 2) edema-infiltration; 3) area adjacent to edema-infiltration; 4) reference area in contralateral hemisphere. Subsequently, mathematical models were trained to classify MR-images of glioma depending on histological type and quantitative features.
Results: Mean accuracy of differential diagnosis of 4 histological types of gliomas in experiments with machine learning was 81.6%, mean accuracy of identification of tumor types - from 94.1% to 99.5%. The best results were obtained using support vector machines and random forest model.
Conclusion: In a pilot study, the proposed standardization of regions of interest demonstrated high effectiveness for MR-based differential diagnosis of oligodendroglioma, anaplastic oligodendroglioma, anaplastic astrocytoma and glioblastoma. There are grounds for applying and improving this methodology in further studies.
Потенциал развития современной лучевой диагностики заключается не только в новых технологиях получения изображений, но и в совершенствовании способов извлечения из них полезной информации. Серьезные перспективы ученые связывают с радиомикой — методологией анализа большого числа количественных характеристик медицинских изображений. Однако в этой области существует ряд проблем, ограничивающих воспроизводимость результатов исследований. Одна из них — отсутствие стандартов в определении зон интереса.
Цель исследования: Мы предлагаем стандартизированный подход к определению зон интереса для расчета количественных характеристик магнитно-резонансных (МР) изображений глиальных опухолей головного мозга с помощью радиомики и проверяем гипотезу об эффективности такого подхода для дифференциальной диагностики глиом разного гистологического типа по данным МР-томографии (МРТ).
Материал и методы: Проанализированы данные предоперационной МРТ 83 взрослых пациентов с диагнозом глиома головного мозга (верифицированным по результатам биопсии) одного из четырех типов по классификации Всемирной организации здравоохранения (2016): олигодендроглиома, анапластическая олигодендроглиома, анапластическая астроцитома, глиобластома. С помощью радиомики рассчитывали количественные характеристики для модальностей T1, T1 с контрастом, T2 и Т2-FLAIR в 4 стандартизированных объемных зонах интереса по 356 вокселей (46,93 мм3) каждая: 1) зоне накопления контрастного вещества; 2) зоне отека-инфильтрации; 3) зоне, примыкающей к зоне отека-инфильтрации; 4) референсной зоне в контрлатеральном полушарии. Далее обучали математические модели классифицировать МР-изображения глиомы по ее гистологическому типу, используя рассчитанные количественные характеристики. Объем обучающей выборки составил от 70 до 80% исходных данных.
Результаты: Средняя точность дифференциальной диагностики 4 гистологических типов глиом в проведенных экспериментах с машинным обучением на тестовой выборке составила 81,6%, средняя точность идентификации отдельных типов — от 94,1 до 99,5%. Наилучший результат был получен с использованием метода опорных векторов и модели типа «случайный лес».
Заключение: В пилотном исследовании предложенная стандартизация зон интереса по размеру продемонстрировала высокую эффективность для дифференциальной диагностики олигодендроглиомы, анапластической олигодендроглиомы, анапластической астроцитомы и глиобластомы по данным МРТ. Имеются основания для применения и совершенствования данной методологии в дальнейших работах.
Keywords: MRI; brain gliomas; machine learning; neuro-oncology; neuroimaging; radiomics.