Machine learning-based isocitratdehydrogenase and grade classification of gliomas using high-resolution 7T magnetic resonance spectroscopy imaging

Abstract

Die Erkennung des Vorhandenseins, der molekulargenetischen Eigenschaften und des Volumens von neoplastischen Läsionen ist für moderne medizinische Bildverarbeitungsstudien von großer Bedeutung. So ist beispielsweise bei Hirntumoren eine präzise Klassifizierung der Läsionen nach den aktuellen WHO-Richtlinien, die für Behandlungsentscheidungen relevant ist, derzeit nicht automatisch möglich. Diese Arbeit ist Teil der Entwicklung einer Verarbeitungspipeline zur Quantifizierung von Läsionen durch eine statistische Auswertung von Tumorregionen von Interesse (ROI) in hochauflösender 7 Tesla (7T) Magnetresonanzspektroskopie-Bildgebung (MRSI). MRSI ermöglicht den Nachweis des Vorhandenseins und der Konzentration verschiedener Metaboliten in Körpergeweben auf der Grundlage ihrer Resonanzfrequenz. Im Vergleich zur 3T-MRSI ermöglicht die 7T-MRSI mit einem höheren Signal-Rausch-Verhältnis und einer größeren spektralen Streuung die Messung zusätzlicher Metaboliten. Der erste Schritt der Verarbeitungspipeline umfasste die statistische Auswertung zwischen verschiedenen Hotspot-Regionen auf der Grundlage einer manuellen Segmentierung durch einen Neuroradiologen. Im zweiten Schritt wurden statistische Tests für die Hotspot-Segmentierung durchgeführt, einschließlich einer Region mit Kontrastverstärkung (CE), einer Region ohne Kontrastverstärkung (nCE) und einer Region mit Nekrose (NEC), die aus einer klinischen Segmentierung extrahiert wurde. Die Auswertung umfasste den Vergleich verschiedener Regionen und Metaboliten-Verhältnisse wie Gesamt-Cholin (tCho) zu Gesamt-Kreatin (tCr) unter Verwendung eines Boxplot-Diagramms mit dem Mann-Whitney-Wilcoxen-Test und die Klassifizierung von IDH-Mutation und -Grad unter Verwendung von Random Forest. Isocitrat-Dehydrogenase (IDH) ist ein Enzym, das eine wichtige Rolle bei der Zellhomöostase und bei Stoffwechselprozessen spielt und am Gliomzyklus beteiligt ist. Hauptziel dieser Studie war es, die wichtigsten Metabolitenverhältnisse für die Klassifizierung von IDH-Mutationsstatus und -Grad zu finden, wobei die Fähigkeit des 7T genutzt wurde, mehrere Metaboliten mit hoher Auflösung zu erkennen und sie für die Klassifizierung zu verwenden. Der Vergleich zwischen verschiedenen Methoden des maschinellen Lernens ermöglicht es, zwischen den Klassifikatoren zu unterscheiden und eine bessere Genauigkeit zu erzielen. Er hilft uns auch, die Robustheit unseres Klassifizierungsalgorithmus zu bestimmen. In dieser Studie werden Random Forest und Support Vector Machine (SVM) miteinander verglichen. Bei Verwendung mehrerer Merkmale wurde ein AUC von 0,85 für die IDH-Klassifizierung und 0,91 für die Grad-Klassifikation. Die räumliche Auflösung der 7T MRSI ermöglicht eine hohe Genauigkeit bei der IDH- und Grad-Klassifikation auch bei einer kleinen Patientenkohorte.

Detecting the presence, molecular-genetic properties, and volume of neoplastic lesions is important for modern medical image processing studies. For example, precise lesion classification according to up-to-date WHO guidelines, relevant for treatment decisions, is currently not automatically feasible in brain tumors. This thesis is a part of the development of a processing pipeline for the quantification of lesions through a statistical evaluation of tumor regions of interest (ROI) in high-resolution 7 Tesla (7T) magnetic resonance spectroscopy imaging (MRSI). MRSI enables the detection of the presence and concentration of different metabolites in body tissues based on their resonance frequency. Compared to 3T MRSI, 7T MRSI with a higher signal-to-noise ratio and increased spectral dispersion makes measurement of additional metabolites possible.The first step of the processing pipeline involved statistical evaluation between different hotspot regions based on manual segmentation by a neuroradiologist. In the second step, statistical tests were performed on hotspot segmentation, including a contrast enhancement (CE) region, a non-contrast enhancement (nCE) region, and a necrosis (NEC) region extracted from a clinical segmentation. The evaluation involved comparing different regions and metabolites ratios like total Choline (tCho) to total creatine (tCr) using a Boxplot diagram with the Mann-Whitney-Wilcoxen Test and classification of IDH mutation and grade using random forest. Isocitrate dehydrogenase (IDH) is an enzyme that plays a vital role in cell homeostasis and metabolic processes and is involved in the glioma cycle. This study's main objective was finding the most important metabolite ratios for the classification of IDH mutation status and grade, utilizing the capability of 7T to detect multiple metabolites with high resolution and to use them for classification. Comparison between different machine learning methods allows differentiating between classifiers and obtaining better accuracy. It also helps us to determine the robustness of our classification algorithm. Random forest and support vector machine (SVM) are compared in this study. Using multiple features, the AUC of 0.85 was achieved for IDH classification and 0.91 for grade classification. The spatial resolution of 7T MRSI makes achieving high accuracy in IDH and grade classification possible even with a small cohort of patients.