Statistical segmentation techniques of liver metastases and necroses in FDG-PET for the automatic evaluation of pre and post thermoablation PET/CT studies

In this work, a method for liver metastases segmentation and a method for the segmentation of the necrotic area created after the tumor thermal ablation are presented. The treatment is minimally invasive but requires accurate image guidance and pre- and post-treatment assessment. Lesions were detected in PET / CT in 12 patients with a total of 21 lesions. Noteworthy, segmentations were based only on the functional PET information. CT was used for pre- to post- registration and for whole liver segmentation and masking. Pre-treatment processing algorithm consisted of two steps: background processing and tumoral slices processing. Background processing was performed on lesion free slices in order to initialize the background Gaussian Mixture Model (GMM) classes, which were set to 4 after a preliminary evaluation. Next a modified GMM algorithm was run over the lesional regions including the 4 background classes plus the lesion classes to be set. Modification was such that the expectation maximization included a prior relevant to the previous classification of neighbors, hence privileging connected sets relevant to the lesion classes. Two versions of the algorithm, called hard and soft, were compared, the former of which including a sharper effect of neighborhood. Post-treatment processing had the same background analysis; however, better results were obtained by a simple thresholding setting the least intense class as superior threshold to extract the cold regions of treated tissue from the warm background. The pretreatment algorithm encompassed the usual threshold setting at 42% maximum (TH42) and also standard GMM and K-means as to the similarity with manual contouring by an expert as to volume estimate / gold standard ratio (1.005±0.097 hard, 1.045±0.066 soft, 1.931±1.328 TH42, 0.324±0.168 GMM, 2.671±2.52 K-means), Dice (0.984±0.011 hard, 0.987±0.006 soft, 0.953±0.059 TH42, 0.678±0.021 GMM, 0.917±0.102 K-means), and Hausdorff distance (0.789±0.148 hard, 0.655±0.195 soft, 1,069±0.421 TH42, 0.789±0,148 GMM, 1.346±0.578 K-means). Post-ablation results by the proposed GMM threshold (THGMM) were also more similar to the manual gold standard than TH42 as to volume ratio (1.026±0.079 THGMM, 2.475±1.139 TH42), Dice (0.966±0.011 THGMM, 0.862±0.062 TH42), and Hausdorff distance (1.336±0.323 THGMM, 1.884±0.304 TH42). In conclusion, the proposed methods provide a robust and accurate segmentation of lesions pre- and post-treatment, thus offering potential improvements in treatment planning and post-treatment evaluation.

In questo lavoro sono presentati un metodo per la segmentazione di tumori al fegato e uno per la segmentazione dell’area necrotica sviluppata a seguito del trattamento del tumore. Come trattamento è stata considerata l’ablazione guidata da immagini, una tecnica minimamente invasiva. Dodici pazienti sono stati sottoposti a un esame PET / CT per un totale di 21 lesioni. La segmentazione è stata ottenuta a partire dalle sole informazioni funzionali della PET. La CT è stata, invece, utilizzata per la coregistrazione pre- su post- trattamento e per la segmentazione del fegato. L’algoritmo per le immagini pre-trattamento è stato articolato in elaborazione del background e, a seguito, delle slices contenenti il tumore. L’elaborazione del background è stata eseguita su slices non contenenti lesioni con il fine di inizializzare attraverso il Gaussian Mixture Model (GMM) le classi del background, fissate a una numerosità pari a 4. Quindi, sulle immagini contenenti lesioni, è stato eseguito un GMM modificato includendo le 4 classi del background più altre classi per la caratterizzazione della lesione. La modifica ha incluso all’interno del processo di Expectation - Maximization informazioni a priori basate sui pixel vicini, prediligendo così regioni connesse all’interno delle classi tumorali. Sono state comparate due versioni dell’algoritmo, chiamate hard e soft, che differiscono per il tipo di informazione a priori utilizzata. L’algoritmo post-trattamento ha previsto la stessa analisi preliminare del background; tuttavia l’utilizzo di queste informazioni è stato differente che nel caso pre-trattamento: la segmentazione, infatti, è stata ottenuta con una soglia fissata al valore della classe meno intensa, permettendo la segmentazione della regione fredda del tessuto trattato all’interno di un background più caldo. L’algoritmo pre-trattamento ha mostrato una superiorità rispetto alla soglia fissata al 42% del massimo valore d’intensità (TH42) e anche il GMM standard e le K-means in quanto a similarità con il contornamento manuale fatto da un medico esperto in termini di rapporto volume stimato / volume gold (1.005±0.097 hard, 1.045±0.066 soft, 1.931±1.328 TH42, 0.324±0.168 GMM, 2.671±2.52 K-means), dice (0.984±0.011 hard, 0.987±0.006 soft, 0.953±0.059 TH42, 0.678±0.021 GMM, 0.917±0.102 K-means), e distanza di Hausdorff (0.789±0.148 hard, 0.655±0.195 soft, 1,069±0.421 TH42, 0.789±0,148 GMM, 1.346±0.578 K-means). I risultati della sogliatura basata sul GMM (THGMM), relativi al post-trattamento, si sono rivelati più simili al contornamento manuale (gold standard) rispetto alla TH42 in termini di rapporto di volumi (1.026±0.079 THGMM, 2.475±1.139 TH42), Dice (0.966±0.011 THGMM, 0.862±0.062 TH42), e distanza di Hausdorff (1.336±0.323 THGMM, 1.884±0.304 TH42). In conclusione, il metodo proposto mostra una tecnica robusta e accurata per la segmentazione di lesioni pre- e post-ablazione, offrendo così potenziali miglioramenti nella pianificazione dell’intervento e nella valutazione del post-trattamento.