Analiza wyników badania MRI – studium przypadku

Centrum Onkologiczne przeprowadziło analizę obrazów MRI guza mózgu w celu porównania klasyfikacji radiologicznej i patologicznej. Po pierwsze, zbadaliśmy i opracowaliśmy mechanizm segmentacji obrazów MRI (wybór obszarów zainteresowania – ROI). Następnie przeprowadziliśmy badania i stworzyliśmy klasyfikator oparty na posegmentowanych obrazach radiologicznych. Ostatecznie połączyliśmy klasyfikację opartą na wynikach badań patologicznych z klasyfikatorem opartym na obrazach radiologicznych. Kolejnym etapem badania było ustalenie korelacji między analizą obrazów MRI a klasyfikacją opartą na wynikach badań patologicznych. Na koniec w ramach badania dokonaliśmy oceny istniejących podejść naukowych i porównaliśmy je z podejściem zaproponowanym w niniejszym artykule.

Analiza wyników badania MRI – opis badań

Celem tego projektu było opracowanie metod segmentacji i klasyfikacji na podstawie obrazów MRI mózgu. Obrazy radiologiczne tego samego pacjenta różniły się pod względem kształtu, średniego poziomu intensywności oraz pozycji głowy. Zarówno metoda Otsu, jak i metoda adaptacyjna oparta na szczytach histogramu pozwoliły na wyodrębnienie maski binarnej głowy. Wyzwaniem okazał się jednak wybór odpowiedniego klastra odpowiadającego obszarowi guza. Nie udało nam się tego osiągnąć przy użyciu tylko jednego (podstawowego) algorytmu segmentacji. Analiza symetrii półkul okazała się wszechstronnym narzędziem do klasyfikacji klastrów (na podstawie tego, czy jest to guz, czy nie). W obszarach nieobjętych guzem różnice w symetrii były subtelne.

Wnioski z badań

Z obrazów T1, T1C, FLAIR i T2 wyodrębniono cechy dotyczące intensywności, kształtu, położenia oraz tekstury. Na podstawie analizy ewolucji i selekcji cech najbardziej istotne okazały się położenie guza oraz rozkład intensywności na obrazie FLAIR. Zgodnie z literaturą oligodendroglioma często występuje w płatach czołowych i skroniowych. W naszym zbiorze danych okazało się to prawdą. Gdybyśmy dysponowali jedynie położeniem guza, klasyfikator oparty na walidacji krzyżowej osiągnąłby dokładność na poziomie 70% (odchylenie standardowe: 12). Rozkład intensywności na skanie FLAIR wykazywał wysoką korelację i miał największe znaczenie. Na obrazach T2 zmiany zawsze charakteryzowały się wysoką intensywnością. Natomiast na obrazach FLAIR zmiany były albo częściowo jasne, albo ciemne. Klasyfikacja oparta na wzorcach teksturalnych wymaga większej liczby próbek, aby była skuteczna. Klasyfikator typu „Random Forest”, zweryfikowany za pomocą k-krotnej walidacji krzyżowej, osiągnął średnią dokładność na poziomie 87,0% (odchylenie standardowe: 12,991).

Więcej informacji można znaleźć również w sekcji poświęconej internetowej przeglądarce obrazów DICOM (internetowe narzędzie radiologiczne): Radiology Platform oraz w naszej prezentacji.