Дифференциация рецидивирующей глиальной опухоли и лучевого некроза с помощью признаков радиомики

РЕЗЮМЕ. Актуальной нейрохирургической проблемой является идентификация рецидива глиомы головного мозга (ГГМ) и лучевого некроза (ЛН), ввиду отсутствия патогномоничных признаков для данных патологических процессов на раннем этапе после химиолучевой терапии (ХЛТ) (до 6 месяцев). Для решения данной проблемы применяются методики компьютерной обработки МР-снимков, дифференциация ЛН и ГГМ, в которых основывается на различие признаков радиомики, однако эти методы не показывают высокой точности.

ЦЕЛЬ ИССЛЕДОВАНИЯ: разработка и практическая апробация методики дифференциальной диагностики лучевого некроза и рецидивирующей глиальной опухоли на М РТ изображениях на основе анализа и подбора новой комбинации признаков радиомики.

МАТЕРИАЛЫ И МЕТОДЫ: разработка пакета алгоритмических, структурных и математических моделей предлагаемого решения. Практическая реализация и апробация методики в рамках МР-диагностики 108 пациентов с ГГМ Grade III, IV в ходе динамического наблюдения — через 1,3,6,9,12 месяцев после оперативного вмешательства и курса ХЛТ.

РЕЗУЛЬТАТЫ. В результате исследования была отобрана комбинация признаков радиомики, лежащая в основе предлагаемой методики; выполнена практическая апробация методики, по результатам которой установлена высокая точность дифференциации рецидива и лучевого некроза на М РТ-изображениях (98,1 %).

ЗАКЛЮЧЕНИЕ. Результаты апробации представленной методики позволяют утверждать о её высокой эффективности в диагностике, что позволяет на раннем этапе дифференцировать рецидив ГГМ и ЛН.

1. Рында А.Ю., Ростовцев Д.М., Олюшин Б.Е. Флуоресцентно-контролируемая резекция астроцитарных опухолей головного мозга — обзор литературы. Российский нейрохирургический журнал им. профессора А. Л. Поленова. 2018;10(1):97–110. EDN VGOGCW

2. Ostrom QT, Cioffi G, Waite K, Kruchko C, Barnholtz-Sloan JS. CBTRU S Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2014–2018. Neuro Oncol. 2021;23(12 Suppl 2): iii1-iii105. https://doi.org/10.1093/neuonc/noab200

3. Грибанов Т.Г., Фокин В.А., Мартынов Б.В., Труфанов Г.Е., Малаховский В.Н., Серебрякова С.В. Сопоставление различных методов нейровизуализации в дифференциальной диагностике рецидива злокачественных опухолей головного мозга и лучевого некроза. Вестник Санкт-Петербургского университета. 2016;3:56–53. https://doi.org/10.21638/11701/spbu11.2016.305 EDN: XQRQBB.

4. Gahramanov S, Muldoon LL, Varallyay CG, Li X , Kraemer DF, Fu R , Hamilton BE, Rooney WD , Neuwelt EA. Pseudoprogression of glioblastoma after chemo- and radiation therapy: diagnosis by using dynamic susceptibility-weighted contrast-enhanced perfusion MR imaging with ferumoxytol versus gadoteridol and correlation with survival. Radiology. 2013;266(3):842–852. https://doi.org/10.1148/radiol.12111472

5. Kong DS, Kim ST, Kim EH, Lim DH, Kim WS, Suh YL, Lee JI, Park K, Kim JH, Nam DH. Diagnostic dilemma of pseudoprogression in the treatment of newly diagnosed glioblastomas: the role of assessing relative cerebral blood flow volume and oxygen‑6-methylguanine-DNA methyltransferase promoter methylation status. AJ NR Am J Neuroradiol. 2011;32(2):382–387. https://doi.org/10.3174/ajnr.A2286

6. Ricci PE, Karis JP, Heiserman JE, Fram EK, Bice AN, Drayer BP. Differentiating recurrent tumor from radiation necrosis: time for re-evaluation of positron emission tomography? AJ NR Am J Neuroradiol. 1998;19(3):407–413. https://pubmed.ncbi.nlm.nih.gov/9541290/

7. Hotta M, Minamimoto R, Miwa K. 11C-methionine-PET for differentiating recurrent brain tumor from radiation necrosis: radiomics approach with random forest classifier. the National Center for Global Health and Medicine. 2019;9(1):15666. https://doi.org/10.1038/s41598‑019‑52279‑2

8. Acquitter C, Piram L, Sabatini U, Gilhodes J, Moyal Cohen-Jonathan E, Ken S, Lemasson B. R adiomics-Based Detection of Radionecrosis Using Harmonized Multiparametric MR I. Cancers. 2022;14(2):286. https://doi.org/10.3390/cancers14020286

9. Gao Y, Xiao X, Han B, Li G, Ning X , Wang D, Cai W, Kikinis R, Berkovsky S, Di Ieva A, Zhang L, Ji N, Liu S. Deep Learning Methodology for Differentiating Glioma Recurrence From Radiation Necrosis Using Multimodal Magnetic Resonance Imaging: Algorithm Development and Validation. JM IR Med Inform. 2020;8(11): e19805. https://doi.org/10.2196/19805

10. Соловьева С.Н., Уросова В.С. Разработка модели автоматического определения границ глиомы головного мозга, на основе комплексного метода обработки МРТ- и КТ-изображения. Современные наукоемкие технологи. 2018;5:83–88. eLIBRARY ID: 35050127 EDN: XPPQKL

11. Jang K, Russo C, Di Ieva A. Radiomics in gliomas: clinical implications of computational modeling and fractal-based analysis. Neuroradiology. 2020;62(7):771–790. https://doi.org/10.1007/s00234‑020‑02403‑1

12. Pallavi T, Prateek P, Lisa R, Leo W, Chaitra B, Andrew S, Mark C, Anant M. Texture Descriptors to distinguish Radiation Necrosis from Recurrent Brain Tumors on multi-parametric MR I. Proceedings of SPIE — the International Society for Optical Engineering. 2014;9035, 90352B. https://doi.org/10.1117/12.2043969

13. Dohm AE, Nickles TM, Miller CE, Bowers HJ, Miga MI, Attia A, Chan MD, Weis JA . Clinical assessment of a biophysical model for distinguishing tumor progression from radiation necrosis. Med Phys. 2021 Jul;48(7):3852–3859. https://doi.org/10.1002/mp.14999

14. Shur J, Blackledge M, D’Arcy J, Collins DJ, Bali M, O’Leach M, Koh DM. MRI texture feature repeatability and image acquisition factor robustness, a phantom study and in silico study. Eur Radiol Exp. 2021;5(1):2. https://doi.org/10.1186/s41747‑020‑00199‑6