Towards a deep learning approach for classifying treatment response in glioblastomas

要約

膠芽腫は、最も攻撃的なタイプの神経膠腫であり、5年生存率は6.9％です。
通常、治療には手術が含まれ、その後、放射線療法と化学療法、および頻繁な磁気共鳴画像診断（MRI）スキャンが疾患の進行を監視します。
治療反応を評価するために、放射線科医は神経腫瘍学（RANO）基準の反応評価を使用して、腫瘍をイメージングと臨床的特徴に基づいて4つのラベルのいずれかに分類します：完全な反応、部分反応、安定した疾患、進行性疾患。
この評価は非常に複雑で時間がかかります。
Deep Learning（DL）は分類の問題に取り組むために広く使用されているため、この作業は、2つの連続したMRI取得に基づいてRano基準の分類のための最初のDLパイプラインを実装することを目的としています。
モデルは、オープンデータセットLumiereでトレーニングおよびテストされました。
5つのアプローチがテストされました。1）入力画像の減算、2）モダリティの異なる組み合わせ、3）異なるモデルアーキテクチャ、4）異なる前登録タスク、5）臨床データの追加。
最高のパフォーマンスを達成したパイプラインは、T1強調、T2強調、および流体減衰反転回復（Flair）画像のみを事前削減なしで入力として考慮して、Densenet264を使用しました。
50.96％のバランスの良い精度の中央値が達成されました。
さらに、説明可能性の方法が適用されました。
顕著性マップを使用して、腫瘍領域はしばしば首尾よく強調されました。
対照的に、GRAD-CAMは通常、腫瘍領域を強調することができませんでしたが、いくつかの例外は完全な反応と進行性疾患のクラスで観察され、腫瘍領域を効果的に特定しました。
これらの結果は、腫瘍に対する治療に対する反応を評価する際に役割を果たす可能性のある要因の不均一性を強調しながら、ラノの基準に基づいた膠芽腫治療反応評価に関する将来の研究のベンチマークを設定しました。

要約(オリジナル)

Glioblastomas are the most aggressive type of glioma, having a 5-year survival rate of 6.9%. Treatment typically involves surgery, followed by radiotherapy and chemotherapy, and frequent magnetic resonance imaging (MRI) scans to monitor disease progression. To assess treatment response, radiologists use the Response Assessment in Neuro-Oncology (RANO) criteria to categorize the tumor into one of four labels based on imaging and clinical features: complete response, partial response, stable disease, and progressive disease. This assessment is very complex and time-consuming. Since deep learning (DL) has been widely used to tackle classification problems, this work aimed to implement the first DL pipeline for the classification of RANO criteria based on two consecutive MRI acquisitions. The models were trained and tested on the open dataset LUMIERE. Five approaches were tested: 1) subtraction of input images, 2) different combinations of modalities, 3) different model architectures, 4) different pretraining tasks, and 5) adding clinical data. The pipeline that achieved the best performance used a Densenet264 considering only T1-weighted, T2-weighted, and Fluid Attenuated Inversion Recovery (FLAIR) images as input without any pretraining. A median Balanced Accuracy of 50.96% was achieved. Additionally, explainability methods were applied. Using Saliency Maps, the tumor region was often successfully highlighted. In contrast, Grad-CAM typically failed to highlight the tumor region, with some exceptions observed in the Complete Response and Progressive Disease classes, where it effectively identified the tumor region. These results set a benchmark for future studies on glioblastoma treatment response assessment based on the RANO criteria while emphasizing the heterogeneity of factors that might play a role when assessing the tumor’s response to treatment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google