Rofo 2018; 190(S 01): S62
DOI: 10.1055/s-0038-1641426
Vortrag (Wissenschaft)
Neuroradiologie
Georg Thieme Verlag KG Stuttgart · New York

Tumorgradbestimmung von Meningeomen mittels automatisierter Texturanalyse auf Basis multiparametrischer MRT-Bildgebung

K Laukamp
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
G Shakirin
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
F Thiele
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
D Zopfs
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
B Baeßler
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
A Faymonville
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
M Timmer
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
M Perkuhn
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
,
J Borggrefe
1   Uniklinik Köln, Institut für Diagnostische und Interventionelle Radiologie, Köln
› Author Affiliations
Further Information

Publication History

Publication Date:
17 April 2018 (online)

 
 

    Zielsetzung:

    Der Tumorgrad von Meningeomen ist für Therapieentscheidungen relevant, da ein höherer Tumorgrad mit beschleunigtem Tumorwachstum und Rezidiven assoziiert ist. Insbesondere die Unterscheidung niedrig- und mittelgradiger Meningeome ist visuell schwierig und eine verlässliche Differenzierung daher nicht möglich. In dieser Studie wurde eine Texturanalyse von Meningeomen anhand von Routine MR-Daten zur Differenzierung zwischen Grad I und II Meningeomen durchgeführt.

    Material und Methoden:

    MRT Daten (T1-/T2-gewichtet, T1-gewichtet mit Kontrastmittel [T1CE], FLAIR, DWI/ADC) von histologisch gesicherten und zu dem Zeitpunkt noch nicht-behandelten Grad I (n = 46) und Grad II (n = 25) Meningeomen wurden untersucht. Die manuelle Tumorsegmentierung wurde durch einen erfahrenen Radiologen in FLAIR, T1CE und ADC durchgeführt. Verarbeitung der MR-Segmentierungsdaten: T1CE&T1-Subtrahierung, Koregistrierung, Resampling, und Normalisierung. Das Pyradiomics-package (vanGriethuysen2017) wurde genutzt um 815 Form/Textur-Merkmale zu detektieren. Eine schrittweise Dimensionsreduktion und Feature-Selektion wurde durchgeführt um jene Form/Textur-Merkmale auszuwählen, die Grad I vs. II Tumore differenzieren.

    Ergebnisse:

    Es wurden vier statistisch unabhängige Merkmale ermittelt mit den besten prädiktiven Werten hinsichtlich des Vorliegens eines höheren Tumorgrades (Grad I vs. II); roundness-of-FLAIR-shape (Area under curve [AUC]: 0.80), cluster-shades-of-FLAIR/T1CE-grey-level (AUC: 0.80), DWI-ADC-grey-level-variability (0.72), FLAIR/T1CE-grey-level-energy (AUC 0.76). Diese Merkmale erreichten in einem multivariaten Modell eine AUC von 0.91 zur Differenzierung zwischen Grad I und II (p < 0.001).

    Schlussfolgerungen:

    Die Computergestützte Form/Texturanalyse ermöglichte die Differenzierung niedrig- und mittelgradiger Meningeome mit einer hohen diagnostischen Genauigkeit durch die Erfassung morphologischer und funktioneller Merkmale. Passend zu früheren Studien waren höhere Tumorgrade mit Formparametern, Kontrastmittelaufnahme und dem ADC-Verhalten assoziiert.


    #

    Die Autoren geben an, dass kein Interessenkonflikt besteht.