МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В СЕГМЕНТАЦИИ ГЛИОМ ДЛЯ ПЛАНИРОВАНИЯ СТЕРЕОТАКСИЧЕСКОЙ ЛУЧЕВОЙ ТЕРАПИИ

Глиома является одной из наиболее распространенных первичных опухолей головного мозга среди взрослого населения. Наиболее агрессивная форма глиомы — глиобластома — характеризуется крайне неблагоприятным прогнозом. Медиана общей выживаемости пациентов с глиобластомами составляет около 15 месяцев. Лечение глиом требует комплексного подхода, сочетающего применение хирургии, химиотерапии и лучевой терапии. Определение границ опухоли — важнейший этап планирования лучевого лечения. Стремительно развивающиеся методы диагностики позволили существенно шагнуть вперед в решении этой проблемы. Однако выбор оптимального объема облучения по-прежнему остается спорным вопросом в силу сложной биологической природы и высокой инвазивности опухоли, а также субъективности восприятия данных нейровизуализации специалистом. Применение методов машинного обучения для анализа медицинских изображений на сегодняшний день представляет собой многообещающий инструмент для решения проблемы сегментации глиом на основании данных различных МРТ-последовательностей. Работа посвящена обзору наиболее современных методов, используемых для автоматической сегментации глиом различной степени злокачественности.

1. Dupont C., Betrouni N., Reyns N. et al. On image segmentation methods applied to glioblastoma: state of art and new trends // IRBM, Elsevier Masson. 2016. Vol. 37 (3). P. 131–143.

2. Zhao F., Li M., Kong L. et al. Delineation of radiation therapy target volumes for patients with postoperative glioblastoma: A review // Onco Targets Ther. 2016. Vol. 9. P. 3197–3204.

3. Colman H., Berkey B.A., Maor M.H. et al. Phase II Radiation Therapy Oncology Group trial of conventional radiation therapy followed by treatment with recombinant interferon-beta for supratentorial glioblastoma: results of RTOG 9710 // Int. J. Radiat. Oncol. Biol. Phys. 2006. Vol. 66 (3). P. 818–824.

4. Chang E.L., Akyurek S., Avalos T. et al. Evaluation of peritumoral edema in the delineation of radiotherapy clinical target volumes for glioblastoma // Int. J. Radiat. Oncol. Biol. Phys. 2007. Vol. 68 (1). P. 144–150.

5. Akkus Z., Galimzianova A., Hoogi A. et al. Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions // J. Digit. Imaging. 2017. Vol. 30. P. 449–459.

6. Lotan E., Jain R., Razavian N. et al. State of the Art: Machine Learning Applications in Glioma Imaging // AJR. Am. J. Roentgenol. 2019. Vol. 212. P. 26–37.

7. Bauer S., Wiest R., Nolte L. et al. A survey of MRI-based medical image analysis for brain tumor studies // Phys. Med. Biol. 2013. P. 58. R97–R129.

8. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

9. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521 (7553). P. 436.

10. Bakas S. et al. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. arXiv preprint arXiv:1811.02629. 2018.

11. Pereira S., Pinto A., Alves V., Silva C.A. Brain tumor segmentation using convolutional neural networks in MRI images // IEEE Trans Med Imaging. 2016. Vol. 35. P. 1240–1251.

12. Kamnitsas K., Ledig C., Newcombe V.F.J. et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation // Med. Image Anal. P. 2017. Vol. 36. P. 61–78.

13. Zhang W., Li R., Deng H. et al. Deep convolutional neural networks for multi-modality isointense infant brain image segmentation // Neuroimage. 2015. Vol. 108. P. 214–224.

14. Dvorak P., Menze B. Structured prediction with convolutional neural networks for multimodal brain tumor segmentation // Proceedings of the Multimodal Brain Tumor Segmentation Challenge (MICCAI-BRATS). Munich: Springer, 2015. P. 13–24.

15. Zhao L., Jia K. Deep feature learning with discrimination mechanism for brain tumor segmentation and diagnosis // IEEE Xplore Digital Library website. ieeexplore.ieee.org/document/7415818/. Published 2015. Accessed August 15, 2018.

16. Havaei M., Davy A., Warde-Farley D. et al. Brain tumor segmentation with deep neural networks // Med. Image Anal. 2017. Vol. 35. P. 18–31.

17. Urban G., Bendszus M., Hamprecht F.A. et al. Multi-modal brain tumor segmentation using deep convolutional neural networks // Proceedings of the Multimodal Brain Tumor Segmentation Challenge (MICCAI-BRATS). Boston, MA, 2014. P. 31–35.

18. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // IEEE Xplore Digital Library website. Ieeexplore.ieee. org/document/7298965/. Published 2015.

19. Chang P. Fully convolutional deep residual neural networks for brain tumor segmentation. // Proceedings of Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. Athens, Greece: Springer, 2016. P. 108–118.

20. Ronneberger O., Fischer P., Brox T. U-net: convolutional networks for biomedical image segmentation // MICCAI: International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich, Germany: Springer, 2015. P. 234–241.

21. Kamnitsas K., Bai W., Ferrante S. et al. Ensembles of multiple models and architectures for robust brain tumour segmentation // Proceedings of Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. Quebec City, Canada: Springer, 2017. P. 450–462.

22. Myronenko A. 3D MRI brain tumor segmentation using autoencoder regularization // arXiv preprint arXiv:1810.11654. 2018.

23. Ghafoorian M., Mehrtash A., Kapur T. et al. Transfer learning for domain adaptation in MRI: application in brain lesion segmentation. arXiv preprint arXiv:1702.07841. 2017.

24. Valindria V. V., Lavdas I., Bai W. et al. Domain adaptation for MRI organ segmentation using reverse classification accuracy // arXiv preprint arXiv:1806.00363. 2018.

25. Mabray M.C., Barajas R.F., Cha S. Modern brain tumor imaging Brain Tumor // Res. Treat. 2015. Vol. 3. P. 8–23.

26. Agn M., Munck P., Puonti O. et al. A modality-adaptive method for segmenting brain tumors and organs-at-risk in radiation therapy planning // Medical Image Analysis. 2019. Vol. 54. P. 220–237.

27. Lustberg T., van Soest J., Gooding M. et al. Clinical evaluation of atlas and deep learning based automatic contouring for lung cancer // Radiother. Oncol. J. Eur. Soc. Ther. Radiol. Oncol. 2017. Vol. 126. P. 312–317.

28. Nikolov S. et al. Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy // arXiv preprint arXiv:1809.04430. 2018.

29. Masch W.R. et al. Comparison of Diffusion tensor imaging and magnetic resonance perfusion imaging in differentiating recurrent brain neoplasm from radiation necrosis // Acad Radiol. 2016. Vol. 23 (5). P. 569–576.

30. Тюрина А.Н., Фадеева Л.М., Пронин И.Н. 3D-протонная МРспектроскопия в диагностике глиальных опухолей головного мозга // Научные материалы III Съезда национального общества нейрорентгенолов, СПб., 2016. C. 116–117.