Радиомика магнитно-резонансной томографии при раке предстательной железы: что известно в настоящее время?

Обложка

Цитировать

Полный текст

Аннотация

Подходы к диагностике и лечению рака предстательной железы опираются на комбинацию данных магнитно-резонансной томографии и гистологических данных.

Цель данного обзора ― введение читателя в основы современного диагностического подхода к раку предстательной железы при помощи магнитно-резонансной томографии с фокусом на текстурный анализ цифровых медицинских изображений.

Текстурный анализ позволяет оценить взаимосвязи между пикселями изображения с помощью математических методов, что даёт дополнительную информацию, в первую очередь о внутриопухолевой гетерогенности. Текстурный анализ признаков первого порядка может иметь бό́льшую клиническую воспроизводимость, чем текстурные характеристики более высокого порядка. Текстурные особенности, извлечённые из карт коэффициента диффузии, показали наибольшую клиническую значимость.

Будущие исследования должны быть направлены на интеграцию методов машинного обучения для облегчения использования текстурного анализа в клинической практике. Требуется развитие автоматизированных методов сегментации для уменьшения вероятности включения нормальных тканей в области интереса и ускорения получения результатов анализа. Для проверки диагностического потенциала текстурных признаков требуются крупные проспективные исследования.

Об авторах

Павел Борисович Гележе

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения г. Москвы; Европейский медицинский центр

Email: gelezhe.pavel@gmail.com
ORCID iD: 0000-0003-1072-2202
SPIN-код: 4841-3234

к.м.н.

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1; Москва

Иван Андреевич Блохин

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения г. Москвы

Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN-код: 3306-1387
Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Серафим Сергеевич Семенов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения г. Москвы; Московский клинический научно-практический центр имени А.С. Логинова

Email: s.semenov@npcmr.ru
ORCID iD: 0000-0003-2585-0864
SPIN-код: 4790-0416

MD

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1; Москва

Damiano Caruso

Римский университет Сапиенца; Больница Сант Андреа

Автор, ответственный за переписку.
Email: dcaruso85@gmail.com
ORCID iD: 0000-0001-9285-4764

отделение хирургических и медицинских наук и трансляционной медицины; отделение радиологии

Италия, Рим; Рим

Список литературы

  1. Turkbey B., Rosenkrantz A.B., Haider M.A., et al. Prostate imaging reporting and data system version 2.1: 2019 update of prostate imaging reporting and data system version 2 // European Urology. 2019. Vol. 76, N 3. P. 340–351. doi: 10.1016/j.eururo.2019.02.033
  2. Kasivisvanathan V., Rannikko A.S., Borghi M., et al. MRI-targeted or standard biopsy for prostate-cancer diagnosis // N Engl J Med. 2018. Vol. 378, N 19. P. 1767–1777. doi: 10.1056/NEJMoa1801993
  3. Ahmed H.U., El-Shater Bosaily A., Brown L.C., et al. Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study // The Lancet. 2017. Vol. 389, N 10071. P. 815–822. doi: 10.1016/S0140-6736(16)32401-1
  4. Purysko A.S., Rosenkrantz A.B., Barentsz J.O., et al. PI-RADS version 2: a pictorial update // Radiographics. 2016. Vol. 36, N 5. P. 1354–1372. doi: 10.1148/rg.2016150234
  5. Patel N., Henry A., Scarsbrook A. The value of MR textural analysis in prostate cancer // Clin Radiol. 2019. Vol. 74, N 11. P. 876–885. doi: 10.1016/j.crad.2018.11.007
  6. Sala E., Mema E., Himoto Y., et al. Unravelling tumour heterogeneity using next-generation imaging: radiomics, radiogenomics, and habitat imaging // Clin Radiol. 2017. Vol. 72, N 1. P. 3–10. doi: 10.1016/j.crad.2016.09.013
  7. Gleason D.F. Classification of prostatic carcinomas // Cancer Chemother Rep. 1966. Vol. 50, N 3. P. 125–128.
  8. Young J.C., Jeong K.K., Kim N., et al. Functional MR imaging of prostate cancer // Radiographics. 2007. Vol. 27, N 1. P. 63–75. doi: 10.1148/rg.271065078
  9. Nketiah G., Elschot M., Kim E., et al. T2-weighted MRI-derived textural features reflect prostate cancer aggressiveness: preliminary results // Eur Radiol. 2017. Vol. 27, N 7. P. 3050–3059. doi: 10.1007/s00330-016-4663-1
  10. Morone M., Bali M.A., Tunariu N., et al. Whole-body MRI: current applications in oncology // AJR Am J Roentgenol. 2017. Vol. 209, N 6. P. W336–W349. doi: 10.2214/AJR.17.17984
  11. Nowak J., Malzahn U., Baur A.D., et al. The value of ADC, T2 signal intensity, and a combination of both parameters to assess Gleason score and primary Gleason grades in patients with known prostate cancer // Acta Radiol. 2016. Vol. 57, N 1. P. 107–114. doi: 10.1177/0284185114561915
  12. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images are more than pictures, they are data // Radiology. 2016. Vol. 278, N 2. P. 563–577. doi: 10.1148/radiol.2015151169
  13. Summers R.M. Texture analysis in radiology: does the emperor have no clothes? // Abdominal Radiology. 2017. Vol. 42, N 2. P. 342–345. doi: 10.1007/s00261-016-0950-1
  14. Bleker J., Kwee T.C., Dierckx R.A., et al. Multiparametric MRI and auto-fixed volume of interest-based radiomics signature for clinically significant peripheral zone prostate cancer // Eur radiol. 2020. Vol. 30, N 3. P. 1313–1324. doi: 10.1007/s00330-019-06488-y
  15. Scalco E., Rizzo G. Texture analysis of medical images for radiotherapy applications // Br J Radiol. 2017. Vol. 90, N 1070. P. 20160642. doi: 10.1259/bjr.20160642
  16. Wibmer A., Hricak H., Gondo T., et al. Haralick texture analysis of prostate MRI: utility for differentiating non-cancerous prostate from prostate cancer and differentiating prostate cancers with different Gleason scores // Eur Radiol. 2015. Vol. 25, N 10. P. 2840–2850. doi: 10.1007/s00330-015-3701-8
  17. Losnegard A., Reisæter L., Halvorsen O.J., et al. Magnetic resonance radiomics for prediction of extraprostatic extension in non-favorable intermediateand high-risk prostate cancer patients // Acta Radiol. 2020. Vol. 61, N 11. P. 1570–1579. doi: 10.1177/0284185120905066
  18. Larue R.T., Defraene G., Ruysscher D., et al. Quantitative radiomics studies for tissue characterization: a review of technology and methodological procedures // Br J Radiol. 2017. Vol. 90, N 1070. P. 20160665. doi: 10.1259/bjr.20160665
  19. Court L.E., Fave X., Mackin D., et al. Computational resources for radiomics // Translational Cancer Research. 2016. Vol. 5, N 4. P. 340–348. doi: 10.21037/tcr.2016.06.17
  20. Laplacian of Gaussian Filter [электронный ресурс]. Режим доступа: https://academic.mu.edu/phys/matthysd/web226/Lab02.htm. Дата обращения: 21.11.2021.
  21. Fehr D., Veeraraghavan H., Wibmer A., et al. Automatic classification of prostate cancer Gleason scores from multiparametric magnetic resonance images // Proceedings of the National Academy of Sciences of the United States of America. 2015. Vol. 112, N 46. P. E6265–E6273. doi: 10.1073/pnas.1505935112
  22. Sidhu H.S., Benigno S., Ganeshan B., et al. Textural analysis of multiparametric MRI detects transition zone prostate cancer // Eur Radiol. 2017. Vol. 27, N 6. P. 2348–2358. doi: 10.1007/s00330-016-4579-9
  23. Vignati A., Mazzetti S., Giannini V., et al. Texture features on T2-weighted magnetic resonance imaging: new potential biomarkers for prostate cancer aggressiveness // Phys Med Biol. 2015. Vol. 60, N 7. P. 2685–2701. doi: 10.1088/0031-9155/60/7/2685
  24. Sierra P.S., Damodaran S., Jarrard D. Clinical and pathologic factors predicting reclassification in active surveillance cohorts // Int Braz J Urol. 2018. Vol. 44, N 3. P. 440. doi: 10.1590/S1677-5538.IBJU.2017.0320
  25. Murciano-Goroff Y.R., Wolfsberger L.D., Parekh A., et al. Variability in MRI vs. ultrasound measures of prostate volume and its impact on treatment recommendations for favorable-risk prostate cancer patients: a case series // Radiat Oncol. 2014. Vol. 9. P. 200. doi: 10.1186/1748-717X-9-200
  26. Engels R.R., Israël B., Padhani A.R., et al. Multiparametric magnetic resonance imaging for the detection of clinically significant prostate cancer: what urologists need to know. Part 1: acquisition // Eur Urology. 2020. Vol. 77, N 4. P. 457–468. doi: 10.1016/j.eururo.2019.09.021
  27. Min X., Li M., Dong D., et al. Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: cross-validation of a machine learning method // Eur J Radiol. 2019. Vol. 115. P. 16–21. doi: 10.1016/j.ejrad.2019.03.010
  28. Westphalen A.C., McCulloch C.E., Anaokar J.M., et al. Variability of the positive predictive value of PI-RADS for prostate MRI across 26 centers: experience of the Society of Abdominal Radiology Prostate Cancer Disease-focused Panel // Radiology. 2020. Vol. 296, N 1. P. 76–84. doi: 10.1148/radiol.2020190646
  29. Xu L., Zhang G., Zhao L., et al. Radiomics based on multiparametric magnetic resonance imaging to predict extraprostatic extension of prostate cancer // Front Oncol. 2020. Vol. 10. P. 940. doi: 10.3389/fonc.2020.00940
  30. Kuess P., Andrzejewski P., Nilsson D., et al. Association between pathology and texture features of multi parametric MRI of the prostate // Phys Med Biol. 2017. Vol. 62, N 19. P. 7833–7854. doi: 10.1088/1361-6560/aa884d
  31. Riaz N., Afaq A., Akin O., et al. Pretreatment endorectal coil magnetic resonance imaging findings predict biochemical tumor control in prostate cancer patients treated with combination brachytherapy and external-beam radiotherapy // Int J Radiat Oncol Biol Phys. 2012. Vol. 84, N 3. P. 707–711. doi: 10.1016/j.ijrobp.2012.01.009
  32. Gnep K., Fargeas A., Gutiérrez-Carvajal R.E., et al. Haralick textural features on T2-weighted MRI are associated with biochemical recurrence following radiotherapy for peripheral zone prostate cancer // J Magn Reson Imaging. 2017. Vol. 45, N 1. P. 103–117. doi: 10.1002/jmri.25335
  33. Ginsburg S.B., Rusu M., Kurhanewicz J., et al. Computer extracted texture features on T2w MRI to predict biochemical recurrence following radiation therapy for prostate cancer // SPIE. 2014. Vol. 9035. P. 903509. doi: 10.1117/12.2043937
  34. Park S.Y., Kim C.K., Park B.K., et al. Prediction of biochemical recurrence following radical prostatectomy in men with prostate cancer by diffusion-weighted magnetic resonance imaging: Initial results // European Radiology. 2011. Vol. 21, N 5. P. 1111–1118. doi: 10.1007/s00330-010-1999-9
  35. Woo S., Kim S.Y., Cho J.Y., et al. Preoperative evaluation of prostate cancer aggressiveness: Using ADC and ADC ratio in determining gleason score // AJR Am J Roentgenol. 2016. Vol. 207, N 1. P. 114–120. doi: 10.2214/AJR.15.15894
  36. Incoronato M., Aiello M., Infante T., et al. Radiogenomic analysis of oncological data: a technical survey // Int J Mol Sci. 2017. Vol. 18, N 4. P. 805. doi: 10.3390/ijms18040805
  37. Jamshidi N., Margolis D.J., Raman S., et al. Multiregional radiogenomic assessment of prostate microenvironments with multiparametric MR imaging and DNA whole-exome sequencing of prostate glands with adenocarcinoma // Radiology. 2017. Vol. 284, N 1. P. 109–119. doi: 10.1148/radiol.2017162827
  38. Stoyanova R., Pollack A., Takhar M., et al. Association of multiparametric MRI quantitative imaging features with prostate cancer gene expression in MRI-targeted prostate biopsies // Oncotarget. 2016. Vol. 7, N 33. P. 53362–53376. doi: 10.18632/oncotarget.10523

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Модель рабочего процесса радиомики на базе Т2-взвешенных изображений при раке предстательной железы.

Скачать (241KB)
Метаданные
3. Рис. 2. Сегментация и оценка энтропии опухолевого очага переходной зоны предстательной железы.

Скачать (317KB)
Метаданные

© Гележе П.Б., Блохин И.А., Семенов С.С., Caruso D., 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах