Diffuse gliomer er den vanligste gruppen av ondartede primære svulster i sentralnervesystemet hos voksne, og glioblastom er den mest aggressive formen. Standard behandling består av kirurgisk reseksjon av svulsten, etterfulgt av strålebehandling og cellegift. På tross av dette er prognosen for denne sykdommen dårlig, med en median overlevelse på kun 12 måneder i uselekterte, populasjonsbaserte data. Målet med kirurgisk reseksjon er å fjerne så mye av sulsten som mulig uten å påføre pasienten skade. Høy reseksjonsgrad og lavt volum av restsvulst er forbundet med bedre overlevelse, og er blant de viktigste prognostiske faktorene for disse pasientene. I tilfeller med restsvulst kan reseksjonsgrad beregnes som forholdet mellom volumet på den fjernede svulsten, og det preoperative svulstvolumet.
En eksakt beregning av reseksjonsgrad er avhengig av nøyaktige målinger av både pre-operativt svulstvolum og volum av restsvulst. Standard metode for å måle restsvulst-volum i postoperative MR-bilder er basert på produktet av de lengste aksiale perpendikulære diametrene i 2D. Dette er unøyaktig, og har høy inter- and intra-observatør variabilitet. I løpet av det siste tiåret har mange publikasjoner demonstrert bruken av dyplæringsmodeller for segmentering av glioblastom fra preoperative MR-bilder. Tilsvarende segmenteringen av restsvulst fra tidlige postoperative MR-bilder har inntil nylig vært mindre studert, mye på grunn av mangelen på offentlig tilgjengelige datasett med annoterte postoperative bilder.
I dette PhD-prosjektet har vi utforsket metoder for automatisk segmentering av restsvulst fra tidlige postoperative MR-bilder. PhD-arbeidet har resultert i fire artikler. I artikkel I demonstrerte vi at det var mulig å anvende dyplæringsmodeller for automatisk segmentering av restsvulst fra postoperative MR-bilder etter kirurgisk reseksjon av glioblastom. Modellene ble trent og validert på det største datasettet presentert på daværende tidspunkt. Datasettet besto av annoterte multimodale tidlig postoperative bilder fra 956 pasienter behandlet ved 12 forskjellige sykehus i Europa og USA. Modellenes ytelse for automatisk segmentering og klassifisering av restsvulst var på nivå med inter-observatør variabiliteten til menneskelige eksperter.
I artikkel II ble den prognostiske verdien av automatiske målinger av restsvulst og reseksjonsgrad evaluert og sammenlignet med den prognostiske verdien til manuelle målinger, ved bruk av Cox regresjonsmodeller. Resultatene viste at både manuell og automatisk restsvulst var negative prognostiske faktorer for overlevelse. Manuell og automatisk reseksjonsgrad viste at pasienter med total reseksjon hadde lengre overlevelse enn pasienter med sub-total reseksjon. Automatiske målinger av reseksjonsgrad og restsvulst hadde tilsvarende prognostisk verdi som manuelle volumetriske målinger.
I artikkel III ble spesifikke metoder for å forbedre deteksjonen av små lesjoner utforsket, med fokus på sampling-strategi og nettverksarkitektur. Eksperimentene førte kun til marginale forbedringer i segmenteringsytelse og sensitivitet på pasient-nivå, på bekostning av lavere spesifisitet. Inter-observatør variabilitet ble fremhevet som en nøkkelutfordring, og var dermed en viktig motivasjon for videre undersøkelse av betydningen av bilde- og annoteringskvalitet.
I artikkel IV ble betydningen av datakvalitet på modellenes segmenteringsytelse studert nærmere. Bilde- og annoteringskvalitet på data fra to sykehus ble evaluert av en ekspertobservatør, og modeller ble trent på ulike kvalitets-baserte subsett av datasettet. Både bilde- og annoteringskvalitet hadde en signifikant effekt på modellytelsen. Inkludering av bilder av lav kvalitet i treningssettet fremmet robusthet og generalisering, uten å forringe modellytelsen på bilder av høy kvalitet. Annoteringer av høy kvalitet ble fremhevet som viktig i kuratering av treningsdata.
PhD-arbeidet har resultert i flere forskningsartikler som validerer bruken av dyplæringsmodeller for automatisk måling av restsvulst etter glioblastomkirurgi, samt den prognostiske verdien av disse målingene. Den presenterte metoden for automatisk måling av restsvulstvolum fremstår som et pålitelig og reproduserbart alternativ til dagens manuelle standardmetode for vurdering av restsvulst og reseksjonsgrad, og har potensial til å redusere variasjonen i slike målinger betydelig.
Metoden vi har forsket på kan gi klinikere et presist og pålitelig verktøy for vurdering av restsvulst, noe som kan forbedre nøyaktigheten i prognosesetting og styrke beslutningsgrunnlaget for videre behandling og oppfølging. Automatiske målinger kan dermed bidra til redusert arbeidsbelastning for radiologer og klinikere, samtidig som de legger til rette for bedre pasientoppfølging. I tillegg har automatiske målinger potensial til å standardisere kvantifisering av restsvulst i kliniske studier, noe som på sikt kan heve kvaliteten på studier og kliniske forsøk rettet mot å forbedre behandlingsresultater for glioblastompasienter.
