Automatická segmentace adenomů hypofýzy a její klinická aplikace

Abstract

Automatická segmentace označuje proces, při kterém algoritmus detekuje a vymezuje specifické anatomické struktury na MR snímcích. V případě adenomů hypofýzy může být segmentace využita pro plánování terapie, kvantifikaci objemu tumoru, hodnocení růstových vzorců a invaze, nebo pro extrakci obrazových parametrů (radiomických znaků), které mohou být dále využity k vytvoření statistických modelů pro predikci klinicky relevantních vlastností. Cílem této disertační práce bylo 1) vyvinout, optimalizovat a experimentálně ověřit modely automatické segmentace adenomů hypofýzy založené na hlubokém učení, 2) vytvořit veřejně přístupný referenční dataset MR snímků pro přímé srovnání publikovaných modelů, a 3) demonstrovat klinickou využitelnost automatické segmentace ve třech praktických scénářích: plánování stereotaktickho ozáření, automatické určení stupně dle Knospovy klasifkace a radiomická analýza pro predikci chirurgických výsledků. Námi vyvinutý segmentační model dosáhl přesnosti segmentace nádorové tkáně 86 % na referenčním datasetu. V radiochirurgickém plánování bylo 73,3 % segmentačních masek označeno zkušenými kliniky jako klinicky akceptovatelné bez nutnosti korekce či s minimálními manuálními zásahy, což vedlo ke zkrácení potřebného času o 53,6 %. Automatický klasifikátor stupně dle Knospovy...

Automatic segmentation refers to the process by which an algorithm detects and delineates anatomical structures of interest in MRI scans. In the case of pituitary adenomas, segmentation can be used for radiosurgery planning, tumor volume quantification, assessment of growth patterns and invasion, or for the extraction of radiomic features that can be further used to construct statistical models predicting clinically relevant tumor characteristics. The aim of this dissertation was: (1) to develop, optimize, and experimentally validate deep learning-based models for automatic segmentation of pituitary adenomas, (2) to create a publicly available reference MRI dataset enabling direct comparison of published segmentation models, and (3) to demonstrate the clinical applicability of automatic segmentation in three practical use cases: stereotactic radiosurgery planning, automated Knosp grade classification, and radiomic analysis for the prediction of surgical outcomes. Our segmentation model achieved a tumor segmentation accuracy of 86% on the reference dataset. In the context of radiosurgical planning, 73.3% of the automatically generated masks were rated by experienced clinicians as clinically acceptable without modification or requiring only minimal manual adjustment, yielding 53.6% reduction in...