Трудности и перспективы применения текстурного анализа компьютерно-томографических и магнитно-резонансных изображений в диагностике рака мочевого пузыря
- Авторы: Коваленко А.А.1, Синицын В.Е.2,3, Петровичев В.C.4
-
Учреждения:
- Центральная клиническая больница с поликлиникой
- Научно-практический клинический центр диагностики и телемедицинских технологий
- Московский государственный университет имени М.В. Ломоносова
- Национальный медицинский исследовательский центр «Лечебно-реабилитационный центр»
- Выпуск: Том 5, № 4 (2024)
- Страницы: 784-793
- Раздел: Обзоры
- URL: https://journal-vniispk.ru/DD/article/view/309836
- DOI: https://doi.org/10.17816/DD633363
- ID: 309836
Цитировать
Аннотация
Радиомика и текстурный анализ — новый шаг в изучении цифровых медицинских изображений, основанный на использовании специализированного программного обеспечения и количественной оценки невидимых глазу показателей. Извлекаемые путём математических преобразований текстурные показатели коррелируют с морфологическими, молекулярными и генотипическими характеристиками исследуемой области.
В настоящей статье проведён обзор научных исследований, посвящённых возможностям и трудностям применения текстурного анализа в диагностике рака мочевого пузыря. Авторами описана практическая значимость данного метода, рассмотрены сложности и перспективы его использования. С помощью поисковых систем PubMed и Google Scholar по ключевым словам отобраны 40 публикаций, изданных за период с 2016 по 2024 гг.
Результаты многочисленных исследований демонстрируют высокую точность радиомики в местном стадировании рака мочевого пузыря, оценке морфологической картины опухоли и прогнозировании отдалённых клинических исходов.
Таким образом, текстурный анализ медицинских изображений способен предоставить дополнительную информацию в диагностике рака мочевого пузыря в неоднозначных клинических случаях. Сегодня стандартизация метода является одной из ключевых задач для ускорения внедрения радиомического анализа в клиническую практику.
Полный текст
Открыть статью на сайте журналаОб авторах
Анастасия Андреевна Коваленко
Центральная клиническая больница с поликлиникой
Автор, ответственный за переписку.
Email: nastua_kovalenko@mail.ru
ORCID iD: 0000-0001-8276-3594
SPIN-код: 6158-0090
Россия, Москва
Валентин Евгеньевич Синицын
Научно-практический клинический центр диагностики и телемедицинских технологий; Московский государственный университет имени М.В. Ломоносова
Email: vsini@mail.ru
ORCID iD: 0000-0002-5649-2193
SPIN-код: 8449-6590
д-р мед. наук, профессор
Россия, Москва; МоскваВиктор Cергеевич Петровичев
Национальный медицинский исследовательский центр «Лечебно-реабилитационный центр»
Email: petrovi4ev@gmail.com
ORCID iD: 0000-0002-8391-2771
SPIN-код: 7730-7420
канд. мед. наук
Россия, МоскваСписок литературы
- Panebianco V., Narumi Y., Altun E., et al. Multiparametric Magnetic Resonance Imaging for Bladder Cancer: Development of VI-RADS (Vesical Imaging Reporting And Data System) // European Urology. 2018. Vol. 74, N 3. P. 294–306. doi: 10.1016/j.eururo.2018.04.029
- Wang Z., Shang Y., Luan T., et al. Evaluation of the value of the VI-RADS scoring system in assessing muscle infiltration by bladder cancer // Cancer Imaging. 2020. Vol. 20, N 1. P. 26. doi: 10.1186/s40644-020-00304-3
- Cumberbatch M.G.K., Foerster B., Catto J.W.F., et al. Repeat Transurethral Resection in Non muscle invasive Bladder Cancer: A Systematic Review // European Urology. 2018. Vol. 73, N 6. P. 925–933. doi: 10.1016/j.eururo.2018.02.014
- Parekh V., Jacobs M.A. Radiomics: a new application from established techniques // Expert Review of Precision Medicine and Drug Development. 2016. Vol. 1, N 2. P. 207–226. doi: 10.1080/23808993.2016.1164013
- van Timmeren J.E., Cester D., Tanadini Lang S., et al. Radiomics in medical imaging "how to" guide and critical reflection // Insights Imaging. 2020. Vol. 11. P 91. doi: 10.1186/s13244-020-00887-2
- Bologna M., Corino V., Mainardi L. Technical Note: Virtual phantom analyses for preprocessing evaluation and detection of a robust feature set for MRI-radiomics of the brain // Medical Physics. 2019. Vol. 46, N 11. P. 5116–5123. doi: 10.1002/mp.13834
- Moradmand H., Aghamiri S.M.R., Ghaderi R. Impact of image preprocessing methods on reproducibility of radiomic features in multimodal magnetic resonance imaging in glioblastoma // Journal of Applied Clinical Medical Physics. 2020. Vol. 21, N 1. P. 179–190. doi: 10.1002/acm2.12795
- Shafiq ul Hassan M., Zhang G.G., Latifi K., et al. Intrinsic dependencies of CT radiomic features on voxel size and number of gray levels // Medical Physics. 2017. Vol. 44, N 3. P. 1050–1062. doi: 10.1002/mp.12123
- Li X., Ma Q., Tao C., et al. A CT-based radiomics nomogram for differentiation of small masses (< 4 cm) of renal oncocytoma from clear cell renal cell carcinoma // Abdom Radiol. 2021. Vol. 46, N 11. P. 5240–5249. doi: 10.1007/s00261-021-03213-6
- Chu L.C., Park S., Soleimani S., et al. Classification of pancreatic cystic neoplasms using radiomic feature analysis is equivalent to an experienced academic radiologist: a step toward computer augmented diagnostics for radiologists // Abdom Radiol. 2022. Vol. 47, N 12. P. 4139–4150. doi: 10.1007/s00261-022-03663-6
- Marusyk A., Janiszewska M., Polyak K. Intratumor Heterogeneity: The Rosetta Stone of Therapy Resistance // Cancer Cell. 2020. Vol. 37, N 4. P. 471–484. doi: 10.1016/j.ccell.2020.03.007
- Mayerhoefer M.E., Materka A., Langs G., et al. Introduction to Radiomics // Journal of Nuclear Medicine. 2020. Vol. 61, N 4. P. 488–495. doi: 10.2967/jnumed.118.222893
- Yip S.S.F., Aerts H.J.W.L. Applications and limitations of radiomics // Phys. Med. Biol. 2016. Vol. 61, N 13. P. R150. doi: 10.1088/0031-9155/61/13/R150
- Wang J., Shen L., Zhong H., et al. Radiomics features on radiotherapy treatment planning CT can predict patient survival in locally advanced rectal cancer patients // Scientific Reports. 2019. Vol. 9. P. 15346. doi: 10.1038/s41598-019-51629-4
- Oikonomou A., Khalvati F., Tyrrell P.N., et al. Radiomics analysis at PET/CT contributes to prognosis of recurrence and survival in lung cancer treated with stereotactic body radiotherapy // Scientific Reports. 2018. Vol. 8. P. 4003. doi: 10.1038/s41598-018-22357-y
- Horvat N., Veeraraghavan H., Khan M., et al. MR Imaging of Rectal Cancer: Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy // Radiology. 2018. Vol. 287, N 3. P. 833–843. doi: 10.1148/radiol.2018172300
- Xu S., Yao Q., Liu G., et al. Combining DWI radiomics features with transurethral resection promotes the differentiation between muscle invasive bladder cancer and non muscle invasive bladder cancer // European Radiology. 2020. Vol. 30. P. 1804–1812. doi: 10.1007/s00330-019-06484-2
- Xu X., Zhang X., Tian Q., et al. Quantitative Identification of Nonmuscle Invasive and Muscle Invasive Bladder Carcinomas: A Multiparametric MRI Radiomics Analysis // Magn. Reson. Imaging. 2019. Vol. 49, N 5. P. 1489–1498. doi: 10.1002/jmri.26327
- Wang H., Hu D., Yao H., et al. Radiomics analysis of multiparametric MRI for the preoperative evaluation of pathological grade in bladder cancer tumors // European Radiology. 2019. Vol. 29, N 11. P. 6182–6190. doi: 10.1007/s00330-019-06222-8
- Zhang X., Xu X., Tian Q., et al. Radiomics assessment of bladder cancer grade using texture features from diffusion weighted imaging // J. Magn. Reson. Imaging. 2017. Vol. 46, N 5. P. 1281–1288. doi: 10.1002/jmri.25669
- Zheng J., Kong J., Wu S., et al. Development of a noninvasive tool to preoperatively evaluate the muscular invasiveness of bladder cancer using a radiomics approach // Cancer. 2019. Vol. 125, N 24. P. 4388–4398. doi: 10.1002/cncr.32490
- Xu X., Liu Y., Zhang X., et al. Preoperative prediction of muscular invasiveness of bladder cancer with radiomic features on conventional MRI and its high order derivative maps // Abdominal Radiology. 2017. Vol. 42, N 7. P. 1896–1905. doi: 10.1007/s00261-017-1079-6
- Lim C.S, Tirumani S., van der Pol C.B., et al. Use of Quantitative T2-Weighted and Apparent Diffusion Coefficient Texture Features of Bladder Cancer and Extravesical Fat for Local Tumor Staging After Transurethral Resection // American Journal of Roentgenology. 2019. Vol. 212, N 5. P. 1060–1069. doi: 10.2214/AJR.18.20718
- Razik A., Das C.J., Sharma R., et al. Utility of first order MRI-Texture analysis parameters in the prediction of histologic grade and muscle invasion in urinary bladder cancer: a preliminary study // British Journal of Radiology. 2021. Vol. 94, N 1122. doi: 10.1259/bjr.20201114
- Cui Y., Sun Z., Liu X., et al. CT-based radiomics for the preoperative prediction of the muscle invasive status of bladder cancer and comparison to radiologists’ assessment // Clinical Radiology. 2022. Vol. 77, N 6. P. e473–e482. doi: 10.1016/j.crad.2022.02.019
- Zhang R., Jia S., Zhai L., et al. Predicting preoperative muscle invasion status for bladder cancer using computed tomography based radiomics nomogram // BMC Medical Imaging. 2024. Vol. 24. P. 98. doi: 10.1186/s12880-024-01276-7
- Ren J., Gu H., Zhang N., et al. Preoperative CT-based radiomics for diagnosing muscle invasion of bladder cancer // Egyptian Journal of Radiology and Nuclear Medicine. 2023. Vol. 54. P. 131. doi: 10.1186/s43055-023-01044-7
- Jing Q., Yang L., Hu S., et al. Radiomics prediction of the pathological grade of bladder cancer based on multi phase CT images // Research Square. 2022. doi: 10.21203/rs.3.rs 2385545/v1
- Woźnicki P., Laqua F.C., Messmer K., et al. Radiomics for the Prediction of Overall Survival in Patients with Bladder Cancer Prior to Radical Cystectomy // Cancers. 2022. Vol. 14, N 18. P. 4449. doi: 10.3390/cancers14184449
- Sylvester R.J., van der Meijden A.P., Oosterlinck W., et al. Predicting Recurrence and Progression in Individual Patients with Stage Ta T1 Bladder Cancer Using EORTC Risk Tables: A Combined Analysis of 2596 Patients from Seven EORTC Trials // European Urology. 2006. Vol. 49, N 3. P. 466–477. doi: 10.1016/j.eururo.2005.12.031
- Fernandez Gomez J., Madero R., Solsona E., et al. Predicting Nonmuscle Invasive Bladder Cancer Recurrence and Progression in Patients Treated With Bacillus Calmette Guerin: The CUETO Scoring Model // Journal of Urology. 2009. Vol. 182, N 5. P. 2195–2203. doi: 10.1016/j.juro.2009.07.016
- Zhang X., Wang Y., Zhang J., et al. Development of a MRI Based Radiomics Nomogram for Prediction of Response of Patients With Muscle Invasive Bladder Cancer to Neoadjuvant Chemotherapy // Front. Oncol. 2022. Vol. 12. doi: 10.3389/fonc.2022.878499
- Kimura K., Yoshida S., Tsuchiya J., et al. Usefulness of texture features of apparent diffusion coefficient maps in predicting chemoradiotherapy response in muscle invasive bladder cancer // European Radiology. 2022. Vol. 32. P. 671–679. doi: 10.1007/s00330-021-08110-6
- Cha K.H., Hadjiiski L., Chan H.P., et al. Bladder Cancer Treatment Response Assessment in CT using Radiomics with Deep Learning // Scientific Reports. 2017. Vol. 7. P. 8738 doi: 10.1038/s41598-017-09315-w
- Cai Q., Huang Y., Ling J., et al. Radiomics nomogram for predicting disease-free survival after partial resection or radical cystectomy in patients with bladder cancer // British Journal of Radiology. 2024. Vol. 97, N 1153. P. 201–209. doi: 10.1093/bjr/tqad010
- Ibrahim A., Primakov S., Beuque M., et al. Radiomics for precision medicine: Current challenges, future prospects, and the proposal of a new framework // Methods. 2021. Vol. 188. P. 20–29. doi: 10.1016/j.ymeth.2020.05.022
- Wichtmann B.D., Harder F.N., Weiss K., et al. Influence of Image Processing on Radiomic Features From Magnetic Resonance Imaging // Investigative Radiology. 2023. Vol. 58, N 3. P. 199–208. doi: 10.1097/RLI.0000000000000921
- Park J.E., Park S.Y., Kim H.J., et al. Reproducibility and Generalizability in Radiomics Modeling: Possible Strategies in Radiologic and Statistical Perspectives // Korean J Radiol. 2019. Vol. 20, N 7. P. 1124–1137. doi: 10.3348/kjr.2018.0070
- Li Q., Bai H., Chen Y., et al. A Fully Automatic Multiparametric Radiomics Model: Towards Reproducible and Prognostic Imaging Signature for Prediction of Overall Survival in Glioblastoma Multiforme // Scientific Reports. 2017. Vol. 7. P. 14331. doi: 10.1038/s41598-017-14753-7
- Foy J.J., Armato S.G., Al Hallaq H.A. Effects of variability in radiomics software packages on classifying patients with radiation pneumonitis // Journal of Medical Imaging. 2020. Vol. 7, N 1. P. 014504. doi: 10.1117/1.JMI.7.1.014504
Дополнительные файлы
