نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشجوی کارشناسی ارشد، قطب علمی و کنترل پردازش هوشمند، دانشکده برق و کامپیوتر، دانشگاه تهران
2 استاد، گروه بیوالکتریک، قطب علمی و کنترل پردازش هوشمند، دانشکده برق و کامپیوتر، دانشگاه تهران
چکیده
تحلیل تومورهای مغزی در تصاویر چندپارامتری تشدید مغناطیسی امری مهم است. اگر کاربر این کار به صورت دستی انجام دهد، علاوه بر اتلاف زمان زیاد، سبب کاهش دقت و قابلیت تکرارپذیری تحلیل میشود. خودکار کردن این تحلیل به دلیل تنوع زیاد در ظاهر بافت توموری بیماران مختلف، ساختار پیچیده بافتهای توموری و همچنین شباهت بافتهای توموری و سالم امری چالشبرانگیز است. در این مقاله راهکاری برای به حداقل رساندن نقش کاربر در تحلیل تصاویر تشدید مغناطیسی به منظور استخراج تومورهای مغزی Glioblastoma Multiform (GBM)- که از بدخیمترین انواع تومورهای مغزی هستند- ارائه شده است. در این مقاله، از 12 بیمار دارای تومور GBM تصویربرداری به عمل آمد. سپس با استفاده از روشی مستقل از کاربر و بدون نیاز به پارامترهای ابتدایی، ناحیة توموری از تصاویر با وزن T1 بعد از تزیق ماده حاجب Gd، با دقت زیادی استخراج شد. در روش ارائه شده در هیچ مرحلهای به حضور کاربر نیاز نیست و تمام پیکسلهای ناحیة روشن ((Gd-enhanced بدون توجه به محل ابتدایی آنها استخراج میشوند. مقایسة ناحیة Gd-enhanced استخراج شده در این روش با ناحیة انتخاب شده توسط فردی ماهر نشاندهندة کارایی زیاد روش است (R2= 0.97). به منظور ارزیابی روش پیشنهادی در کاربردی عملی، از آن در پیشبینی آثار درمان تومورهای مغزی GBM با استفاده از بواسیزوماب استفاده شد. بواسیزوماب (Bevacizumab) یکی از داروهایی است که به دلیل توانایی زیاد در متوقف کردن رشد تومور و حتی کاهش اندازه تومور به آن بسیار توجه شده است. در این راستا از 12 بیمار دارای تومور GBM در مرحله قبل و مدتی پس از درمان تصویربرداری به عمل آمد. میزان کاهش نسبی حجم ناحیة Gd-enhanced استخراج شده در تصاویر با وزن T1 بعد از تزیق ماده حاجب Gd، معیاری از پاسخ بیماران به دارو در نظر گرفته شد. سپس با استفاده از طبقهبندیکننده KNN تصاویر سری اول به اجزای ماده سفید، ماده خاکستری و مایع مغزی- نخاعی تجزیه شدند و از آنها برای تشکیل تصاویر ویژه استفاده شد. این کار سبب حذف نقش کاربر در تشکیل تصاویر ویژه و افزایش قابلیت تکرارپذیری روش شد. در ادامه با استفاده از تحلیل هیستوگرام، ویژگیهای مناسب از ناحیة Gd-enhanced استخراج شدند؛ سپس معادلات پیشگویی پاسخ بیماران به داروی مذکور برحسب ویژگیهای به دست آمده در قسمت قبل محاسبه شدند. در بهترین حالت ضریب همبستگی 0.91 به دست آمد که نشاندهندة امکان پیشبینی نتیجة درمان بواسیزوماب برای بیماران دارای GBM با استفاده از تصاویر تشدید مغناطیسی در روشی با حداقل نقش کاربر است. مقایسة نتایج به دست آمده در این روش با پژوهشهای قبلی نشاندهندة کارایی زیاد روش در کنار مستقل بودن آن از کاربر است.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Semi-automatic segmentation and analysis of GBM brain tumors in magnetic resonance images
نویسندگان [English]
- Neda Behzadfar 1
- Hamid Soltanian Zadeh 2
1 M.Sc., Control and Intelligent Processing Center of Excellence, School of Electrical and computer Engineering, College of Engineering, University of Tehran
2 Profeesor, school of electrical and computer engineering, control and intelligent processing center of Excellence (CIPCE), university of Tehran
چکیده [English]
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.
کلیدواژهها [English]
- Gliablastoma Multiform)GBM)
- Segmentation
- Bevacizumab
- prediction
- Preprocess
- Eigenimage
- Histogram
- Regression