ldtЛучевая диагностика и терапияDiagnostic radiology and radiotherapy2079-5343Baltic Medical Education Center10.22328/2079-5343-2024-15-2-35-44ldt-1003Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL RESEARCHРазработка методики дифференциальной диагностики рецидивирующей глиальной опухоли и лучевого некроза по МРТ-изображениям с использованием системы поддержки принятия врачебных решенийDevelopment of a method for differential diagnostic of a recurrent glial tumor from radiation necrosis by clinical decision support system for MRI imageshttps://orcid.org/0000-0002-8515-6017ШершеверА. С.ShersheverA. S.

Шершевер Александр Сергеевич — доктор медицинских наук, профессор кафедры нервных болезней, нейрохирургии и медицинской генетики; нейрохирург, заместитель главного врача по научной работе

620028, Екатеринбург, ул. Репина, д. 3

620036, Свердловская область, Екатеринбург, ул. Соболева, д. 29

Alexander S. Shershever — Dr. of Sci. (Med.), Professor of the Department of Neurology, Neurosurgery and Medical genetics; Deputy Chief Physician for Research

620028, Russia, Sverdlovsk region, Ekaterinburg, Repin str., 3

4620036, Sverdlovsk region, Ekaterinburg, Soboleva st., 29

https://orcid.org/0000-0002-5253-5870ДайнекоЕ. А.DainekoE. A.

Дайнеко Елизавета Александровна — врач-радиолог-рентгенолог

620036, Свердловская область, Екатеринбург, ул. Соболева, д. 29

Elizaveta A. Daineko — radiologist

620036, Sverdlovsk region, Ekaterinburg, Soboleva st., 29

https://orcid.org/0000-0001-7294-5757СоловьеваС. Н.SolovevaS. N.

Соловьева Светлана Николаевна — доктор экономических наук, профессор, академик РАЕН, доцент кафедры технической физики физико-технологического института

620002, Уральский федеральный округ, Свердловская область, Екатеринбург, ул. Мира, д. 19

Svetlana N. Soloveva — Dr. of Sci. (Econ.), Professor, Academician of Russian Academy of Natural Sciences, Associate Professor of Technical physics Department, Institute of Physics and Technology

620002, Urals Federal District, Sverdlovsk region, Ekaterinburg, Mira Str. 19

https://orcid.org/0000-0003-4124-758XСуроваЕ. Е.SurovaE. E.

Сурова Елизавета Евгеньевна — студент-магистрант II курса магистратуры кафедры технической физики физико-технологического института

620002, Уральский федеральный округ, Свердловская область, Екатеринбург, ул. Мира, д. 19

Elizaveta E. Surova — the master of Technical physics Department, Institute of Physics and Technology

620002 Urals Federal District, Sverdlovsk region, Ekaterinburg, Mira Str. 19

https://orcid.org/0000-0002-2870-8620АскароваЕ. Ф.AskarovaE. F.

Аскарова Елизавета Филусовна — студент-специалист VI курса кафедры технической физики физико-технологического института

620002, Уральский федеральный округ, Свердловская область, Екатеринбург, ул. Мира, д. 19

Elizaveta F. Askarova — student-specialist of Technical physics Department, Institute of Physics and Technology

620002 Urals Federal District, Sverdlovsk region, Ekaterinburg, Mira Str., 19

Уральский государственный медицинский университет; Свердловский областной онкологический диспансерРоссияUral State Medical University; Sverdlovsk Regional Oncological DispensaryRussian FederationСвердловский областной онкологический диспансерРоссияSverdlovsk Regional Oncological DispensaryRussian FederationУральский федеральный университет имени первого Президента России Б. Н. ЕльцинаРоссияUral Federal UniversityRussian Federation2024080820241523544Copyright © Шершевер А.С., Дайнеко Е.А., Соловьева С.Н., Сурова Е.Е., Аскарова Е.Ф., 20242024Шершевер А.С., Дайнеко Е.А., Соловьева С.Н., Сурова Е.Е., Аскарова Е.Ф.Shershever A.S., Daineko E.A., Soloveva S.N., Surova E.E., Askarova E.F.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://radiag.bmoc-spb.ru/jour/article/view/1003ВВЕДЕНИЕ

ВВЕДЕНИЕ: Дифференциальная диагностика между рецидивом глиомы и лучевым некрозом представляет собой актуальную нейрохирургическую и рентгенологическую проблему ввиду отсутствия патогномоничных признаков разделения этих процессов с помощью магнитно-резонансной томографии. Для решения данной задачи перспективным представляется использование систем поддержки врачебных решений (СППР) с помощью классификации объекта на МРТ-изображениях.

ЦЕЛЬ

ЦЕЛЬ: Разработка и практическая апробация методики дифференциальной диагностики лучевого некроза и рецидивирующей глиальной опухоли на МРТ-изображениях с использованием математических моделей обработки медицинских изображений.

МАТЕРИАЛЫ И МЕТОДЫ

МАТЕРИАЛЫ И МЕТОДЫ: Анализ существующих на данный момент основных методов дифференциальной диагностики рецидива глиальной опухоли и лучевого некроза с описанием основных недостатков. Разработка пакета алгоритмических, структурных и математических моделей предлагаемого решения: прототип приложения и интерфейса. Проведение практической апробации предлагаемой методики в рамках динамического обследования 78 пациентов с глиальными опухолями Grade III–IV — МРТ головного мозга с контрастным усилением через 1, 3, 6, 9, 12 месяцев после оперативного вмешательства и курса химиолучевой терапии.

РЕЗУЛЬТАТЫ

РЕЗУЛЬТАТЫ: На основании результатов практической апробации предлагаемой методики дифференциальной диагностики с использованием СППР были получены результаты о высокой точности детекции участков рецидива и некроза на МРТизображениях (97,4%).ОБСУЖДЕНИЕ: Многообразие научных работ с описанием способов дифференциации рецидива ГОГМ и ЛН на основе МРТ-диагностики подтверждает актуальность тематики статьи в медицинском научном сообществе. Нами разработан метод ДД рецидива ГОГМ и ЛН с использованием МРТ ГМ с КУ, ввиду того, что это наиболее доступный метод диагностики в послеоперационном периоде и курса ХЛТ.ЗАКЛЮЧЕНИЕ: Представленная в статье методика дифференциальной диагностики лучевого некроза и рецидива глиомы с использованием системы поддержки принятия врачебных решений позволяет врачу-нейрохирургу и химиотерапевту своевременно корректировать лечебную тактику, тем самым улучшая показатели выживаемости пациентов с глиальными опухолями Grade III–IV. 

INTRODUCTION: Identification of brain glioma recurrence and necrosis — is actual neurosurgical problem, due to an absence of particular radiological signs on MRI image. Especially in the early stages. Identification of brain glioma recurrence and necrosis on MRI images — is a problem of object`s classification on medical images. Depending on this, an issue of chemotherapy is decided. OBJECTIVE: Development and practical approbation of a method for differential diagnostic of a recurrent glial tumor from radiation necrosis on MRI images by using mathematical model of medical image`s processing.MATERIALS AND METHODS: Analysis of existing methods for differential diagnostic of a recurrent glial tumor from radiation necrosis and description of principal deficiencies’ description. Authors proposed an algorithm for differential diagnostic of a recurrent glial tumor from radiation necrosis. Development of algorithmic, structural and mathematical models for proposed solution: prototype of an app and an interface. Testing of proposed method on the practice: dynamic examination for 98 patients with brain glioma Grade III–IV — brain MRI with contrast enhancement 1, 3, 6, 9, 12 months after surgical intervention and a chemotherapy.RESULTS: As a result of practical approbation, authors’ noticed that this method has a high level of brain glioma recurrence and radial necrosis detection (97,4%).DISCUSSION: The variety of scientific papers describing ways to differentiate recurrence of glial brain tumors and radiation necrosis based on MRI diagnostics confirms the relevance of the topic of the article in the medical scientific community. We have developed a method of differential diagnosis using MRI of the brain with contrast enhancement, due to the fact that this is the most accessible method of diagnosis in the postoperative period and a course of chemoradiotherapy.CONCLUSION: A high-precision method for differential diagnosis of radial necrosis and brain glioma recurrence using a clinical decision support system allows the neurosurgeon to timely adjust treatment tactics, thereby improving the survival rates of patients with Grade III–IV glial tumors.

нейрохирургиядифференциациямоделированиетекстурный анализклассификацияМРТneurosurgerydifferentiationmodelingtexture analysisclassificationMRIReferencesMladenovsk M., Valkov I., Ovcharov M., Vasilev N., Duhlenski I. High Grade Glioma Surgery — Clinical Aspects and Prognosis // Folia Med. (Plovdiv). 2021. Vol. 63, No. 1. P. 35–41. doi: 10.3897/folmed.63.e55255.Mladenovsk M., Valkov I., Ovcharov M., Vasilev N., Duhlenski I. High Grade Glioma Surgery — Clinical Aspects and Prognosis // Folia Med. (Plovdiv). 2021. Vol. 63, No. 1. P. 35–41. doi: 10.3897/folmed.63.e55255.Cancer Stat Facts: Brain and Other Nervous System Cancer // National Cancer Institute Surveillance, Epidemiology and End Results Program. 2023.Cancer Stat Facts: Brain and Other Nervous System Cancer // National Cancer Institute Surveillance, Epidemiology and End Results Program. 2023.Louis D.N., Perry A., Reifenberger G., von Deimling A., Figarella-Branger D., Cavenee W.K., Ohgaki H., Wiestler O.D., Kleihues P., Ellison D.W. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary // Acta neuropathologica. 2016. Vol. 131, No. 6. P. 803–820. doi: 10.1007/s00401-016-1545-1.Louis D.N., Perry A., Reifenberger G., von Deimling A., Figarella-Branger D., Cavenee W.K., Ohgaki H., Wiestler O.D., Kleihues P., Ellison D.W. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary // Acta neuropathologica. 2016. Vol. 131, No. 6. P. 803–820. doi: 10.1007/s00401-016-1545-1.Спивак М.Д. Современные возможности основных методов лечения мультиформной глиобластомы // Молодой ученый. 2018. № 17 (203). С. 120–123.Spivak M.D. Current options for the main treatments for glioblastoma multiform. Young Scientist, 2018, No. 17 (203), pp. 120–123 (In Russ.).Грибанова Т.Г., Фокин В.А., Мартынов Б.В., Труфанов Г.Е., Малаховский В.Н., Серебрякова С.В. Сопоставление различных методов нейровизуализации в дифференциальной диагностике рецидива злокачественных опухолей головного мозга и лучевого некроза // Вестник Санкт-Петербургского университета. Медицина. 2016. № 3. С. 56–63.Gribanova T.G., Fokin V.A., Martynov B.V., Trufanov G.E., Malahovskij V.N., Serebrjakova S.V. Comparison of different neuroimaging methods in the differential diagnosis of relapse of malignant brain tumors and radiation necrosis. Vestnik of Saint Petersburg University. Medicine, 2016, No. 3, pp. 56–63 (In Russ.). doi: 10.21638/11701/spbu11.2016.305.Kim J.M., Miller J.A., Kotecha R., Xiao R., Juloori A., Ward M.C., Ahluwalia M.S., Mohammadi A.M., Peereboom D.M., Murphy E.S., Suh J.H., Barnett G.H., Vogelbaum M.A., Angelov L., Stevens G.H., Chao S.T. The risk of radiation necrosis following stereotactic radiosurgery with concurrent systemic therapies // Journal of neurooncology. 2017. Vol. 133, No. 2. P. 357–368. doi: 10.1007/s11060-017-2442-8.Kim J.M., Miller J.A., Kotecha R., Xiao R., Juloori A., Ward M.C., Ahluwalia M.S., Mohammadi A.M., Peereboom D.M., Murphy E.S., Suh J.H., Barnett G.H., Vogelbaum M.A., Angelov L., Stevens G.H., Chao S.T. The risk of radiation necrosis following stereotactic radiosurgery with concurrent systemic therapies // Journal of neurooncology. 2017. Vol. 133, No. 2. P. 357–368. doi: 10.1007/s11060-017-2442-8.Gahramanov S., Muldoon L.L., Varallyay C.G., Li X., Kraemer D.F., Fu R., Hamilton B.E., Rooney W.D., Neuwelt E.A. Pseudoprogression of glioblastoma after chemo- and radiation therapy: diagnosis by using dynamic susceptibility-weighted contrast-enhanced perfusion MR imaging with ferumoxytol versus gadoteridol and correlation with survival // Radiology. 2013. No. 266 (3). P. 842–852. doi: 10.1148/radiol.12111472.Gahramanov S., Muldoon L.L., Varallyay C.G., Li X., Kraemer D.F., Fu R., Hamilton B.E., Rooney W.D., Neuwelt E.A. Pseudoprogression of glioblastoma after chemoand radiation therapy: diagnosis by using dynamic susceptibility-weighted contrast-enhanced perfusion MR imaging with ferumoxytol versus gadoteridol and correlation with survival // Radiology. 2013. No. 266 (3). P. 842–852. doi: 10.1148/radiol.12111472.Kong D.S., Kim S.T., Kim E.H., Lim D.H., Kim W.S., Suh Y.L., Lee J.I., Park K., Kim J.H., Nam D.H. Diagnostic dilemma of pseudoprogression in the treatment of newly diagnosed glioblastomas: the role of assessing relative cerebral blood flow volume and oxygen-6-methylguanine-DNA methyltransferase promoter methylation status // AJNR. American journal of neuroradiology. 2011. Vol. 32, No. 2. P. 382–387. doi: 10.3174/ajnr.A2286.Kong D.S., Kim S.T., Kim E.H., Lim D.H., Kim W.S., Suh Y.L., Lee J.I., Park K., Kim J.H., Nam D.H. Diagnostic dilemma of pseudoprogression in the treatment of newly diagnosed glioblastomas: the role of assessing relative cerebral blood flow volume and oxygen-6-methylguanine-DNA methyltransferase promoter methylation status // AJNR. American journal of neuroradiology. 2011. Vol. 32, No. 2. P. 382–387. doi: 10.3174/ajnr.A2286.Трофимова Т.Н. Нейрорадиология: оценка эффективности хирургии и комбинированной терапии глиом // Практическая онкология. 2016. Т. 17, № 1. С. 32–40.Trofimova T.N. Neuroradiology: evaluating the efficacy of surgery and combination therapy for gliomas. Practical oncology, 2016, Vol. 17, No. 1, pp. 32–40 (In Russ.).Hotta M., Minamimoto R., Miwa K. 11C-methionine-PET for differentiating recurrent brain tumor from radiation necrosis: radiomics approach with random forest classifier // Scientific Reports. 2019. No. 9 (1). doi: 10.1038/s41598-019-52279-2.Hotta M., Minamimoto R., Miwa K. 11C-methionine-PET for differentiating recurrent brain tumor from radiation necrosis: radiomics approach with random forest classifier // Scientific Reports. 2019. No. 9 (1). doi: 10.1038/s41598-019-52279-2.He Q., Zhang L., Zhang B., Shi X., Yi C., Zhang X. Diagnostic accuracy of 13N-ammonia PET, 11C-methionine PET and 18F-fluorodeoxyglucose PET: a comparative study in patients with suspected cerebral glioma // BMC Cancer. 2019. Vol. 19 (1). doi: 10.1186/s12885-019-5560-1. PMID 30961564; PMCID PMC6454631.He Q., Zhang L., Zhang B., Shi X., Yi C., Zhang X. Diagnostic accuracy of 13N-ammonia PET, 11C-methionine PET and 18F-fluorodeoxyglucose PET: a comparative study in patients with suspected cerebral glioma // BMC Cancer. 2019. Vol. 19 (1). doi: 10.1186/s12885-019-5560-1. PMID 30961564; PMCID PMC6454631.Jung J.H., Ahn B.C. Current Radiopharmaceuticals for Positron Emission Tomography of Brain Tumors // Brain tumor research and treatment. 2018. Vol. 6 (2). P. 47–53. doi: 10.14791/btrt.2018.6.e13.Jung J.H., Ahn B.C. Current Radiopharmaceuticals for Positron Emission Tomography of Brain Tumors // Brain tumor research and treatment. 2018. Vol. 6 (2). P. 47–53. doi: 10.14791/btrt.2018.6.e13.Соловьева С.Н., Уросова В.С. Разработка модели автоматического определения границ глиомы головного мозга, на основе комплексного метода обработки МРТ- и КТ-изображения // Современные наукоемкие технологии. 2018. № 5. С. 83–88.Soloveva S.N., Urosova V.S. development of the model of automatic determination of the borders of the glioma of the brain, based on the complex method of processing MRI and CT images. Modern high technologies, 2018, No. 5, pp. 83–88 (In Russ.).Jog A., Roy S., Carass A., Prince J.L. Magnetic resonance image synthesis through patch regression // Proceedings. IEEE International Symposium on Biomedical Imaging. 2013. Vol. 2013. P. 350–353. doi: 10.1109/ISBI.2013.6556484.Jog A., Roy S., Carass A., Prince J.L. Magnetic resonance image synthesis through patch regression // Proceedings. IEEE International Symposium on Biomedical Imaging. 2013. Vol. 2013. P. 350–353. doi: 10.1109/ISBI.2013.6556484.Sonavane R., Sonar P. Classification and segmentation of brain tumor using Adaboost classifier // 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). P. 396–403. doi: 10.1109/ICGTSPICC.2016.7955334.Sonavane R., Sonar P. Classification and segmentation of brain tumor using Adaboost classifier // 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). P. 396–403. doi: 10.1109/ICGTSPICC.2016.7955334.Dohm A.E., Nickles T.M., Miller C.E., Bowers H.J., Miga M.I., Attia A., Chan M.D., Weis J.A. Clinical assessment of a biophysical model for distinguishing tumor progression from radiation necrosis // Medical physics. 2021. Vol. 48, No. 7. P. 3852–3859. doi: 10.1002/mp.14999. Epub 2021 Jun 16.Dohm A.E., Nickles T.M., Miller C.E., Bowers H.J., Miga M.I., Attia A., Chan M.D., Weis J.A. Clinical assessment of a biophysical model for distinguishing tumor progression from radiation necrosis // Medical physics. 2021. Vol. 48, No. 7. P. 3852–3859. doi: 10.1002/mp.14999. Epub 2021 Jun 16.Gao Y., Xiao X., Han B., Li G., Ning X., Wang D., Cai W., Kikinis R., Berkovsky S., Di Ieva A., Zhang L., Ji N., Liu S. Deep Learning Methodology for Differentiating Glioma Recurrence From Radiation Necrosis Using Multimodal Magnetic Resonance Imaging: Algorithm Development and Validation // JMIR medical informatics. 2020. Vol. 8, No. 11. doi: 10.2196/19805.Gao Y., Xiao X., Han B., Li G., Ning X., Wang D., Cai W., Kikinis R., Berkovsky S., Di Ieva A., Zhang L., Ji N., Liu S. Deep Learning Methodology for Differentiating Glioma Recurrence From Radiation Necrosis Using Multimodal Magnetic Resonance Imaging: Algorithm Development and Validation // JMIR medical informatics. 2020. Vol. 8, No. 11. doi: 10.2196/19805.Nichelli L., Casagranda S. Current emerging MRI tools for radionecrosis and pseudoprogression diagnosis // Current opinion in oncology. 2021. Vol. 33, No. 6. P. 597–607. doi: 10.1097/CCO.0000000000000793.Nichelli L., Casagranda S. Current emerging MRI tools for radionecrosis and pseudoprogression diagnosis // Current opinion in oncology. 2021. Vol. 33, No. 6. P. 597–607. doi: 10.1097/CCO.0000000000000793.

The authors declare that there are no conflicts of interest present.