ING - Scuola di Ingegneria Industriale e dell'Informazione
4-mag-2023
2021/2022
I gliomi sono tra i tumori cerebrali primitivi con maggior incidenza e tasso di mortalità.
La diagnosi e il trattamento di tali neoplasie sono altamente dipendenti dall’utilizzo di
tecniche di imaging, in particolare dalla risonanza magnetica (MRI). Tale metodologia
diagnostica include la risonanza magnetica con tensore di diffusione (DTI), la quale si è
mostrata in grado di ottenere informazioni utili riguardo diverse caratteristiche tumorali.
Un’altra importante applicazione della risonanza magnetica di diffusione è costituita dal
modello NODDI (neurite orientation dispersion and density imaging), utilizzato per la
quantificazione dell’orientamento e della densità dei tessuti cerebrali.
Nella pratica clinica, la MRI permette inoltre di esaminare l’efficacia del trattamento
terapeutico sulla base dell’incremento della massa tumorale. In tale contesto, i criteri
RANO (Response Assessment in Neuro-Oncology) forniscono le linee guida per valutare
la crescita del tumore.
In questo studio è stato utilizzato un algoritmo di segmentazione automatica per delineare
le aree tumorali visibili nelle immagini di MRI di pazienti affetti da glioma. Tale processo
ha permesso di calcolare i descrittori statistici di forma e di primo ordine nei volumi di
interesse (VOIs).
I risultati ottenuti suggeriscono che le features estratte a partire dalle metriche DTI e
dalle mappe NODDI possono essere di particolare utilità per differenziare i tumori sulla
base dello stato di mutazione dell’IDH (isocitrate dehydrogenase) e dei gradi definiti dalla
classificazione WHO (World Health Organization).
La segmentazione ha costituito inoltre la base per lo sviluppo di un algortimo capace di
applicare i criteri RANO, da un punto di vista radiologico, su pazienti con gliomi ad alto
grado di malignità.
L’utilizzo di tale algoritmo ha permesso di valutare l’affidabilità di un metodo automatico
rispetto alla delineazione manuale dei diametri RANO (ICC = 0.98). Con un’ulteriore
analisi è stato possibile notare la simile accuratezza (intorno a 0.8) con cui la progressione
viene valutata dai radiologi e dai metodi bidimensionali e tridimensionali implementati.Sono state anche realizzate delle reti neurali convoluzionali (CNN) con l’intento di predire,
a partire da sequenze MRI anatomiche e di diffusione, lo stato di mutazione dell’IDH, il
grado WHO e l’istologia dei tumori cerebrali primitivi.
Il modello più performante è stato ottenuto per la classificazione dello stato IDH allenando
la CNN con un input costituito dalla combinazione delle varie tipologie di risonanza
magnetica. Tale rete neurale ha raggiunto un’accuratezza dell’83%, una precisione pari
all’86% e un punteggio AUC dell’82%.
I risultati trovati suggeriscono l’uso di tecniche di deep learning per la predizione di
caratteristiche istologiche rilevanti per la descrizione dei gliomi.
In conclusione, questo studio dimostra che l’utilizzo di algoritmi automatici e reti neurali,
applicati alla combinazione di immagini di risonanza anatomiche e di diffusione, può
rappresentare uno strumento per il supporto a diagnosi, prognosi e decisioni cliniche in
pazienti affetti da glioma.
Glioma is one of the most common and deadly primary brain tumours. Its diagnosis and
treatment strongly depend on imaging techniques, especially magnetic resonance imaging
(MRI), but also including diffusion tensor imaging (DTI), which has shown potential for
providing useful information on tumour characteristics. Moreover, the neurite orientation
dispersion and density imaging (NODDI) model has been proposed to quantify the orientation
and density of brain tissues.
Another relevant application of MRI is the treatment assessment with longitudinal measurement
of brain tumour burden. In this context, the Response Assessment in Neuro-
Oncology (RANO) criteria have been proposed to evaluate the treatment response in
high-grade gliomas (HGGs).
The proposed study has employed an automated segmentation algorithm to delineate tumoral
areas on MRI images of patients diagnosed with gliomas. This process allowed for
analysing the significance of shape and first-order features within these volumes of interest
(VOIs).
Results suggest that the features extracted from DTI parameters and NODDI maps can
particularly help in differentiating the two types of isocitrate dehydrogenase (IDH) mutation
status and in the classification into low-grade or high-grade gliomas.
The proposed segmentation constitutes the basis for the development of an algorithm (ARANO)
that can automatically apply the radiological RANO-HGG criteria. Application
of this algorithm on the MRI acquisitions of 9 patients diagnosed with glioblastoma reveals
high reliability between automatic and manual delineation of RANO diameters (ICC =
0.98).
Of note, the tumour progression assessed by the radiologists and by the bidimensional
and tridimensional implementation of RANO criteria had similar accuracy (around 0.8).
Finally, we propose the use of a convolutional neural network (CNN) fed by conventional
and diffusion MRI data to predict IDH mutation, WHO grading, and histology of primary
brain tumours.
The best results are obtained for IDH mutation classification, starting from the combination of anatomical and diffusion MRI sequences. The implemented CNN achieved 83%
accuracy, 86% precision and 82% AUC. Good outcomes are also achieved for the WHO
grade when only DTI metrics constitute the input of the neural network (75% accuracy,
73% precision and 93% AUC). For the classification of the histological type, the CNN has
the highest accuracy when fed with NODDI maps (72% accuracy, 72% precision and 81%
AUC).
These findings suggest that deep learning techniques can be helpful in predicting key
histological features of gliomas and that using automated algorithms and deep learning
CNNs on the combination of anatomical and diffusion MRI images could represent a
valuable tool for guiding diagnosis, prognosis, and treatment decisions in patients with
gliomas.