Hipofiz makroadenomlarında cerrahi öncesi tümör sertliğinin değerlendirilmesinde MR histogramın rolü

Abstract

AMAÇ: Preoperatif hipofiz makroadenomunda tümör sertliğinin değerlendirilmesinde T2 ağırlıklı manyetik rezonans görüntüleme (MRG) üzerinde makine öğrenme (MÖ) temelli kantitatif doku analizinin (kDA) potansiyel değerini araştırmak ve kDA'nin performansını kantitatif T2 ağırlıklı sinyal intensite oranıyla (SIO) karşılaştırmak. METOD: Elli beş hasta (40 non-fonksiyone; 15 fonksiyone hipofiz adenomu) retrospektif çalışmaya dahil edildi. Patoloji ve beyin cerrahisi değerlendirmesi sonucu sert yapıda adenomların sayısı yumuşak yapıdaki adenomlara göre oldukça az saptandı. Yumuşak ve sert adenomlardan eşit sayıda örnek almak için yumuşak yapıda adenomlardan tek kesit segmente edilirken, sert yapıdaki adenomlardan birden fazla kesit segmente edildi. Doku özellikleri manuel olarak koronal T2 ağırlıklı görüntülerden segmente edilerek çıkarıldı. Sinyal intensite oranı (SIO) değerlendirmesi için de manuel olarak adenomda ve temporal lob ak maddede `region of interests` (ROI) çizildi. Boyutsal geriletme işleminde ilk olarak iki radyolog tarafından tekrarlanabilirlik analizi ile ve daha sonra iç içe çapraz doğrulama yöntemini kullanarak sarıcı-tabanlı bir algoritma ile yapıldı. Yapay Sinir Ağı (YSA) oluşturmak için, `derin öğrenme ağının` en basit şekli olarak da bilinen Çok Katmanlı Algılayıcı (ÇKA) sınıflandırıcı kullandık. Sınıflandırma için referans standart patolojik pattern kabul edildi. Kantitatif Doku Analiz'nin (kDA) performansı ile T2 ağırlıklı görüntülerde ROI tabanlı SIO karşılaştırıldı. Başlıca performans değerlendirme metriği '' alıcı işlem karakteristikleri eğrisinin altında kalan alan'' (AİK-EAKA) idi. BULGULAR: 162 doku özelliklerinden 137'si `Mükemmel` tekrarlanabilirliğe sahipti. Ko-lineer analiz sonrası bu sayı 20'ye düştü. Ardından doku özellik seçimi ekstraksiyonu yapıldı ve son olarak özellik sayısı 6'ya indi. kDA için YSA algoritması tümöral dokunun yapısı ile ilgili makroadenomların%72.5'ini doğru bir şekilde sınıflandırmıştır. Sert grubu saptamak için duyarlılık, özgüllük ve kesinlik sırasıyla %65.8, %78.6 ve %73.5'tir. ROI tabanlı kantitatif SIO'a göre sert grup adenomlar için duyarlılık ve özgüllük sırasıyla % 46.1 ve % 83.3 idi. kDA'nin performansı SIO ölçümü ile karşılaştırıldığında istatistiksel olarak daha üstün çıktı (z=2.312; p=0.021). SONUÇ: Bu çalışmanın sonuçları, T2A MR'da MÖ bazlı kDA'nin Hipofiz adenom sertliğinin preoperativ olarak tahmin edilmesinde non-invaziv yöntem olarak önemli bir potansiyele sahip olduğunu göstermektedir. Bu çalışma, MÖ tabanlı kDA'nin, T2A SIO değerlerinden daha yüksek tahmin performansına ulaştığını göstermiştir.

PURPOSE: To evaluate use of machine learning (ML)-based quantitative texture analysis (qTA) on T2-weighted magnetic resonance (MRI) for determination of pituitary macroadenomas consistency preoperatively and to compare the performance of the qTA with those of quantitative T2-weighted signal intensity ratio (SIR). Methods: Fifty-five patients (40 non-functional; 15 functional pituitary adenomas) were examined retrospectively. In our study, according to the results of the pathologic and surgical evaluation, the number of adenomas with a firm structure was less than the number of adenomas with a soft structure. So to equalize the number of hard and soft sections, more samples were segmented from hard tumors and only one sample was segmented from the soft adenomas. Texture features were extracted from coronal T2-weighted images by manual segmentation. Regions of interest (ROIs) were drawn in the macroadenomas and in normal white matter on T2-weighted images. Dimension reduction was firstly done with a reproducibility analysis by two radiologists and then with a wrapper-based algorithm using nested cross-validation. To form the ANN, Multilayer perceptron (MLP) classifier, the simplest form of `deep Learning network` was used. Reference standard for the classifications was pathologic patterns. Predictive performance of the qTA was compared with those of the ROI-based SIR on T2-weighted images. Main performance metric for comparisons was the area under the receiver operating characteristic curve (AUC-ROC). Results: Only 137 out of 162 texture features had excellent reproducibility. After the collinearity analysis it was 20. From these, the wrapper-based algorithm yielded six texture features. For the qTA, ANN algorithm correctly classified 72.5% of the macroadenomas regarding tumor consistency. Sensitivity, specificity and precision were 65.8%, 78.6% and 73.5%, respectively, for the firm group adenomas. For the ROI-based quantitative SIR accuracy sensitivity, specificity for firm group adenomas were 74.5%, 46.1% and 83.3%, respectively. There were statistically significant differences between the predictive performance of the qTA-based classification and the quantitative SIR (z=2.312; p=0.021).Conclusions: Findings in this study suggest that ML-based qTA of T2weighted MRI can provide information about the consistency of macroadenomas. The method performed better than the quantitative SIR.