عنوان پایان‌نامه
تحلیل تصاویر چند مدالیته تشدید مغناطیسی برای بررسی پاسخ به درمان بیماران مبتلا به تومور مغزی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2671;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68380
- تاریخ دفاع
- ۰۵ خرداد ۱۳۹۴
- دانشجو
- احسان آبادی
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- بیماری GBM (Glioblastoma Multiforme) شایع ترین و خطرناک ترین تومور مغزی است. میانه مدت بقا در این بیماران حدود 14.6 ماه است. جراحی به هدف برداشتن تومور اولین اقدام در روند درمانی این بیماران است و شیمی درمانی و پرتودرمانی نیز در مراحل بعد برای این بیماران تجویز می شوند. به دلیل وجود فرآیند تکوین رگ-های خونی در GBM، داروی بواسیزوماب نیز در برخی از بیماران مورد استفاده قرار می گیرد. با این که این دارو اثرات قابل توجهی بر روی بسیاری از بیماران GBM داشته است، بیمارانی هستند که پاسخ مناسب به این درمان نمی-دهند. در این مطالعه قصد داریم با استفاده از مدالیته های گوناگون تشدید مغناطیسی شامل تصاویر ساختاری، تصاویر DTI (Diffusion Tensor Images) و تصاویر نفوذی DSC (Dynamic Susceptibility Contrast) پاسخ به درمان بواسیزوماب را در بیماران GBM پیش بینی کنیم. بیماران را به دو گروه پاسخ دهنده و بدون پاسخ تقسیم کردیم. معیار پاسخ به درمان کاهش بیش از 50% مساحت ناحیه CE ( Contrast Enhancement) در تصاویر تشدید مغناطیسی بعد از درمان است. نقشه های FA (Functional Anisotropy) و ADC (Apparent Diffusion Coefficient) با استفاده از داده های DTI محاسبه شدند. نقشه های rCBV (relative Cerebral Blood Volume)، MTT (Mean Transient Time)، rCBF (relative Cerebral Blood Flow)، TTP (Time To Peak)، rPH (relative Peak Height) و rPSR (relative Percentage Signal Recovery) با استفاده از تصاویر DSC استخراج شدند. هیستوگرام نواحی CE محاسبه و ویژگی های آماری از هیستوگرام ها استخراج شدند. پیش بینی با استفاده از روش رگرسیون لجستیک انجام شد و ارزیابی کیفیت آن نیز با استفاده از روش LOOCV (Leave One Out Cross Validation) صورت گرفته است. در تصاویر DTI، ویژگی های میانه FA و ADC توانایی پیش بینی پاسخ به درمان را با دقت 81.8% و 72.7% دارند (p=0.029, 0.027). همچنین rPH قادر به پیش¬بینی نتیجه درمان با دقت 87.5% است (p=0.038). با ترکیب این سه ویژگی نیز به دقت پیش-بینی 100% رسیدیم (p=0.014). این مطالعه نشان می دهد که تصاویر انتشاری و نفوذی حاوی اطلاعات غنی از ویژگی های سلولی و رگی در قسمت توموری بیماران GBM هستند که می توانند در روند درمانی این بیماران به خصوص درمان ضد تکوین رگ های خونی کمک کننده باشند. واژه‌های کلیدی: تومور مغزی- تصویربرداری تشدید مغناطیسی- تصاویر تانسور انتشاری- تصاویر نفوذی- پیش-بینی پاسخ به درمان- فرآیند تکوین رگ سازی خونی- بواسیزوماب
- Abstract
- Glioblastoma Multiforme (GBM) is the most prevalent and aggressive malignant primary brain tumor. Median overall survival is about 14.6 months. Surgical resection is the first therapy strategy followed by chemotherapy and radiotherapy. Due to the angiogenesis process happening in these patients, anti-angiogenetic drugs such as Bevacizumab may be added to the treatment regimen as well. While Bevacizumab shows promising effects on GBM patients, still patients with no response to this drug exist. In this study, we assessed multi-modal magnetic resonance images (MRI), including structural MRI, Diffusion Tensor Images (DTI), and Dynamic Susceptibility Contrast (DSC) images to predict response to anti-angiogenetic treatment in GBM patients. We classified the patients into two groups: responders and non-responders. Responders are who showed more than 50% decrease in the contrast enhancement (CE) area during their treatment. Functional Anisotropy (FA) and Apparent Diffusion Coefficient (ADC) maps are calculated from DTI dataset. Perfusion maps including relative cerebral blood volume (rCBV), relative cerebral blood flow (rCBF), mean transient time (MTT), time to peak (TTP), relative peak height (rPH), and relative percentage of signal intensity to recovery (rPSR) are extracted using DSC images. Histograms are derived from the CE regions of the maps and statistical features are extracted from the histograms. Predictions are done using a logistic regression (LR) algorithm and Leave One Out Cross Validation (LOOCV) method is applied to evaluate the quality of the prediction models. In DTI dataset, median features of FA and ADC are capable of predicting the response to treatment with accuracies of 81.8% and 72.7%, respectively (p=0.029, 0.027). Furthermore, in DSC images, rPH is a predictive feature with 87.5% accuracy (p-value=0.038). Putting the three features (median in ADC and FA, rPH in DSC) together, a 100% accurate prediction is achieved (p-value=0.014). We conclude that DTI and DSC images have rich information about cellularity and vascularity of the tumor regions in GBM patients and can be helpful in the GBM treatment procedure especially in the anti-angiogenetic therapy.
