Automated segmentation of tumors in dynamic contrast-enhanced MRI of high-risk breast cancer patients undergoing neoadjuvant therapy

Brystkreft er den vanligste kreft blant kvinner, med nesten 3700 nye tilfeller diagnostisert årlig i Norge. Innenfor denne gruppen diagnostiseres mellom 5 og 10% på stadium III med lokalavansert brystkreft. Presurgical tumor downstaging ved neoadjuvant cellegiftbehandling gjør brystbevarende kirurgi aktuelt for store svulster, og kan også redusere risikoen for lokoregionalt tilbakefall. Tidlig evaluering av brystkreftrespons på behandling kan vise effektiviteten av behandlingen, og gir mulighet for endring av behandlingen hvis det ikke er noe svar. Blant forskjellige bildemodaliteter for evaluering av tumorrespons, har dynamisk kontrastforsterket (DCE) MR vist den høyeste følsomheten ved påvisning av gjenværende svulst etter behandling. Vanligvis segmenterer radiologer svulstene manuelt i hvert stykke DCE-bildeserien, noe som er en svært tidkrevende oppgave. Videre kan manuelle segmenteringer variere mellom forskjellige radiologer, noe som fører til forskjellige estimater av tumorvolumet. Målet med denne oppgaven var å undersøke ved hjelp av en dyp læringsmodell for påvisning og segmentering av brysttumorer i DCE-MR-bilder for å lette måling av tumorvolum for evaluering av respons på behandlingene. For dette formålet ble det brukt et regionalt basert konvolusjonalt nevralt nettverk (maske R-CNN), som sender ut pikselvis forekomst av segmenter av objekter, i dette tilfellet svulster. Et datasett bestående av 111 lokalt avanserte brystkreftpasienter som gjennomgikk neoadjuvant cellegift på tre sykehus - St. Olavs universitetssykehus (Trondheim), Haukeland universitetssykehus (Bergen) og Stavanger universitetssykehus (Stavanger) ble inkludert i studien. Baseline og gjenværende svulst etter hver behandlingssyklus ble segmentert manuelt. Segmenteringene av St. Olavs datasett ble validert av en radiolog, og derfor ble modellen trent på "forskertegnede" segmenteringer av bildene fra de andre institusjonene, og validert separat ved hjelp av bildene fra St. Ytelsen til modellen i segmentering av brysttumorer ble evaluert ved målinger av følsomhet, presisjon, spesifisitet og nøyaktighet. For å vurdere modellens segmenteringer ble også terninglikhetskoeffisientene (DSC) beregnet mellom manuelle segmenteringer og modellspådommene. Modellens nøyaktighet ved påvisning av brysttumorer var 0,84 med sensitivitet og spesifisitet på henholdsvis 0,75 og 0,71. Dessuten var gjennomsnittlig DSC for testsettet 0,84. Basert på de oppnådde resultatene, kan det konkluderes med at den dype læringsmodellen fungerer godt både i deteksjon og segmentering av brysttumorer i DCE-MR-bilder. De oppnådde resultatene var ganske gode, spesielt siden testkullet er helt uavhengig av treningskullene. Imidlertid kan bruk av bilder med forskjellig kontrast til støyforhold (CNR) i opplæringstrinnet forbedre ytelsen til modellen ved å redusere de falske positive deteksjonene. En fremtidig studie bør undersøke den potensielle gunstige effekten av å legge til en del av testsettet i treningssett og videre evaluering av modellen på den gjenværende kohorten