Automated Classification of Cerebral Gliomas by Means of Quantitative Emission Tomography and Multimodal Imaging

Language
en
Document Type
Doctoral Thesis
Issue Date
2014-02-26
Issue Year
2014
Authors
Ritt, Philipp
Editor
Abstract

Cerebral gliomas represent a common type of cancer of the human brain with many tumor grades which express a huge diversity in growth characteristics and have a highly varying malignancy. The optimal treatment for a cerebral glioma is only ensured if the underlying tumor grade is known. One very common grading scheme is the World Health Organization (WHO) Classification of tumors of the central nervous system, which differentiates four grades. The de facto standard of grading a glioma is based on bioptic samples which are obtained in invasive interventions. These interventions pose significant risks for the patients and add more time delays between an initial evidence of the tumor, usually found by X-ray computed tomography (CT) or magnetic resonance imaging (MRI) and the initiation of a treatment. On the other side, versatile imaging modalities like CT, MRI and from the field of nuclear medicine, positron emission tomography (PET) cover various aspects of the morphology and physiology of a tumor. The information gained from medical imaging thus can indicate the grade of a cerebral glioma without any invasive intervention. The multimodal imaging often results in a high complexity that makes if difficult to diagnose the malignancy solely based on the visual interpretation of medical images. In this thesis, we present approaches for an extensive pattern recognition pipeline for the grading of cerebral gliomas based on tomographic datasets from MRI, CT, and PET. More specifically, we use gadolinium contrast-enhanced T1-weighted MRI, T2-weighted fluid attenuated inversion recovery MRI, diffusion-weighted MRI, non contrast-enhanced low-dose X-ray CT, and dynamic (multiple acquired time frames) [18F]-Fluor-Ethyl-Tyrosine (FET) PET. Our setup includes image preprocessing, feature extraction and calculation, feature normalization, and finally fully automatic classification. We propose the imaging modalities and the classifiers which performed best for our patient population and show that inter-dataset normalization as a preprocessing step helps to improve the classification rate for cerebral gliomas. As the PET is acquired over a lengthy time period which can lead to substantial patient motion, we present a retrospective motion correction technique based on image registration, which improves the image quality of the PET data. The presented approaches underline that diagnostic statements can be gained from highly complex, multimodal image data in an automated fashion. We can differentiate not only low- and high-grade tumors, but also aid in distinguishing between the four WHO grades within some limitations.

Abstract

Gliome repräsentieren eine häufige Krebserkrankung des menschlichen Gehirns. Es werden mehrere Gliomgrade unterschieden, die wiederum große Variabilität bezüglich ihres Wachstumsverhalten und ihrer Malignität aufweisen. Die optimale Behandlung eines Glioms ist nur sichergestellt, wenn der zugrundeliegende Tumorgrad bekannt ist. Ein verbreitetes Klassifikationsschema auf diesem Gebiet ist die Klassifikation von Tumoren des zentralen Nervensystems der Weltgesundheitsorganisation (WHO), welches vier Tumorgrade differenziert. Der Standard bezüglich der Bestimmung des Tumorgrades ist die histopathologische Aufarbeitung von bioptischen Proben, die in invasiven Verfahren gewonnen werden. Diese Eingriffe stellen jedoch ein Risiko für den Patienten dar. Darüber hinaus tragen sie zu einem Zeitverzug zwischen dem initialen Hinweis auf einen Tumor, häufig gewonnen durch die medizinische Bildgebung, und der Einleitung einer Behandlung bei. Im Gegensatz zu invasiven Methoden existieren verschiedene Bildgebungsverfahren wie die Röntgen-Computertomographie (CT), die Magnetresonanztomographie (MRT) und, aus dem Bereich der Nuklearmedizin, die Positronenemissionstomographie (PET). Diese Bildgebungsmodalitäten sind in der Lage, umfassende Aspekte der Tumorphysiologie und -morphologie darzustellen. Folglich können mithilfe jener Verfahren Indizien für den zugrundeliegenden Grad des Tumors gewonnen werden. Die multimodale Bildgebung generiert jedoch eine hohe Komplexität, die eine auf reiner Bildbetrachtung basierende Malignitätsdiagnostik erschwert. In der vorliegenden Arbeit stellen wir Ansätze zur Beurteilung des Tumorgrads unter Anwendung von Mustererkennungsverfahren auf Bilddaten der MRT, der PET und der CT vor. Im Detail verwenden wir gadoliniumkontrastiertes, T1-gewichtetes MRT, T2-FLAIR MRT, diffusionsgewichtetes MRT, natives Niedrigdosis-CT und dynamisches PET der mit F-18-Ethyltyrosin (FET) dargestellten zerebralen Aminosäureaufnahme. Die vorgestellten Methoden umfassen die Vorverarbeitung der medizinischen Bilder, die Merkmalsextraktion und -berechnung, die Normierung der Merkmale und die vollautomatische Klassifizierung. Wir ermitteln die besten Modalitäten und Klassifikatoren auf Basis unserer Patientenpopulation und zeigen, dass eine Normalisierung der Datensätze im Zuge der Datenvorverarbeitung die Klassifikationsrate erhöhen kann. Für die PET, die aufgrund ihrer ausgedehnten Aufnahmedauer potentiell in besonderem Maße von Bewegungsartefakten betroffen ist, stellen wir eine Bewegungskorrekturmethode vor, welche auf starrer und retrospektiver Bildregistrierung basiert. Diese Korrektur verbessert die Bildqualität der PET signifikant. Weiterhin zeigen wir, dass mit unserem automatisierten Ansatz mit hoher Genauigkeit diagnostische Aussagen aus hochkomplexen, multimodalen Bilddaten gewonnen werden können. Nicht nur die Unterscheidung von niedrig- und hochgradigen Tumoren, sondern darüber hinaus die Abgrenzung der vier WHO-Grade kann in gewissen Grenzen realisiert werden.

DOI
Faculties & Collections
Zugehörige ORCIDs