Automatic quantification of breast cancer biomarkers from multiple 18F-FDG PET image segmentation

要約

ネオアジュバント化学療法（NAC）は、18F-FDGポジトロン放出断層撮影（PET）を備えた乳がんの腫瘍ダウンサイジングの標準的な臨床診療となっています。
私たちの仕事の目的は、乳房病変のセグメンテーションのためにペットイメージングを活用することです。
焦点は、原発腫瘍領域を正確にセグメント化し、これらの領域から重要なバイオマーカーを抽出して、NACの最初のコースに続く乳がんの進化に関する洞察を提供する自動システムの開発にあります。
243ベースライン18F-FDG PETスキャン（PET_BL）および180のフォローアップ18F-FDG PETスキャン（PET_FU）が、それぞれNACの最初のコースの前後に取得されました。
第一に、深い学習ベースの乳房腫瘍セグメンテーション法が開発されました。
最適なベースラインモデル（ベースライン試験で訓練されたモデル）は、15のフォローアップ試験で微調整され、PET_FUの腫瘍領域をセグメント化するためにアクティブ学習を使用して適応しました。
パイプラインは、PET_FUとPET_BL間の腫瘍進化を評価するために、最大標準化された取り込み値（SUVMAX）、代謝腫瘍体積（MTV）、および総病変糖分解（TLG）などのバイオマーカーを計算します。
異常な外れ値を除外するために、品質管理措置が採用されました。
PET_BLでの腫瘍セグメンテーションで優れたNNUNETディープラーニングモデルは、0.89のサイコロ類似性係数（DSC）と3.52 mmのHausdorff距離（HD）を達成しました。
微調整後、モデルはPET_FU試験で0.78のDSCと4.95 mmのHDを示しました。
バイオマーカー分析により、手動でセグメント化された領域と自動予測領域の間のバイオマーカーがどうであれ、非常に強い相関関係が明らかになりました。
SUVMAX、MTV、およびTLGの有意な平均減少は、それぞれ5.22、11.79 cm3および19.23 cm3でした。
提示されたアプローチは、18F-FDG PETからの乳房腫瘍のセグメンテーションのための自動化されたシステムを示しています。
抽出されたバイオマーカーのおかげで、私たちの方法により、がんの進行の自動評価が可能になります。

要約(オリジナル)

Neoadjuvant chemotherapy (NAC) has become a standard clinical practice for tumor downsizing in breast cancer with 18F-FDG Positron Emission Tomography (PET). Our work aims to leverage PET imaging for the segmentation of breast lesions. The focus is on developing an automated system that accurately segments primary tumor regions and extracts key biomarkers from these areas to provide insights into the evolution of breast cancer following the first course of NAC. 243 baseline 18F-FDG PET scans (PET_Bl) and 180 follow-up 18F-FDG PET scans (PET_Fu) were acquired before and after the first course of NAC, respectively. Firstly, a deep learning-based breast tumor segmentation method was developed. The optimal baseline model (model trained on baseline exams) was fine-tuned on 15 follow-up exams and adapted using active learning to segment tumor areas in PET_Fu. The pipeline computes biomarkers such as maximum standardized uptake value (SUVmax), metabolic tumor volume (MTV), and total lesion glycolysis (TLG) to evaluate tumor evolution between PET_Fu and PET_Bl. Quality control measures were employed to exclude aberrant outliers. The nnUNet deep learning model outperformed in tumor segmentation on PET_Bl, achieved a Dice similarity coefficient (DSC) of 0.89 and a Hausdorff distance (HD) of 3.52 mm. After fine-tuning, the model demonstrated a DSC of 0.78 and a HD of 4.95 mm on PET_Fu exams. Biomarkers analysis revealed very strong correlations whatever the biomarker between manually segmented and automatically predicted regions. The significant average decrease of SUVmax, MTV and TLG were 5.22, 11.79 cm3 and 19.23 cm3, respectively. The presented approach demonstrates an automated system for breast tumor segmentation from 18F-FDG PET. Thanks to the extracted biomarkers, our method enables the automatic assessment of cancer progression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google