Extrahierung von Histogramm- und Textureigenschaften aus parametrischen F-18-FET PET Bildern zur molekulargenetischen und histologischen Klassifizierung von Gliomen

Ziel/Aim Für die Gliom-Klassifizierung haben sich statische und kinetische F-18-FET-PET Parameter als klinisch relevant erwiesen. In dieser Studie wurden radiomische Merkmale aus parametrischen Bildern abgeleitet und ihre Eignung zur Detektion eines höhergradigen Glioms (HGG; WHO Grad III/IV) bzw. eines IDH-Wildtyps (IDHwt) untersucht.

Methodik/Methods 322 Patienten mit einem neu diagnostizierten Gliom wurden eingeschlossen (231/322 HGG bzw. 194/322 IDHwt; 263 bioptisch, 59 operativ). Verwendet wurden heuristische Parameter (frühes und spätes Tumor-zu-Hintergrund-Verhältnis, späte Steigung, Peak-Zeitpunkt) und pharmakokinetische Parameter aus einem 1-Gewebe Kompartiment Modell (1T_2k,VB) und aus Logan- und Patlak-Plots mit Referenzgewebe-Input. Für jedes parametrische Bild wurden insgesamt 94 radiomische Merkmale extrahiert. Es wurden ROC-Analysen durchgeführt, wobei die Fläche unter den jeweiligen ROC-Kurven (AUC) mittels 5-facher Kreuzvalidierung (CV) ermittelt wurde. Hyperparameter-Tuning erfolgte mit geschachtelter (nested) CV.

Ergebnisse/Results In Bildern, die das Verteilungsvolumen repräsentieren (DVR, TBR_20-40), wurden insgesamt nur mäßige AUC-Werte erreicht, wobei Texturmerkmale die AUC im Vergleich zu Tumor-Mittelwerten verbesserten (AUC<0.77). Höhere AUC-Werte wurden mit Merkmalen aus kinetischen Parameter-Bildern erzielt, wobei einfache Merkmale 1. Ordnung am besten abschnitten. Die höchsten AUCs ergaben sich für Merkmale aus Influx- und Efflux-Bildern des 1T_2k,VB (AUC>0.80). Multivariate Analysen unter Einbeziehung von Texturparametern ergaben nur eine moderate Verbesserung gegenüber einfachen Mittelwerten (IDHwt AUC=0.87 vs 0.86; HGG AUC=0.83 vs 0.82).

Schlussfolgerungen/Conclusions Obwohl Texturmerkmale eine verbesserte Klassifizierung von Gliomen bei spätstatischen TBR_20-40 Bildern ermöglichen, ist die Genauigkeit unter Einbeziehung kinetischer F-18-FET Parameter höher. Das nächste Ziel ist eine Voxel-weise Charakterisierung von Gliomen mittels maschinellem Lernen unter Einbindung von Patientenmerkmalen und multimodalen und multiparametrischen Daten.