Воспроизводимость текстурных показателей КТ- и МРТ-изображений гепатоцеллюлярного рака

Цель исследования: сравнить воспроизводимость текстурных показателей при сегментации двумя рентгенологами КТ- и МРТ-изображений гепатоцеллюлярного рака (ГЦР). Оценить возможность предварительной обработки изображений для повышения воспроизводимости текстурных показателей.
Материал и методы. В исследование было включено 66 пациентов с данными предоперационных КТи МРТ-исследований, которым была выполнена хирургическая резекция печени по поводу ГЦР с указанием степени дифференцировки опухоли по данным послеоперационного патоморфологического исследования. Два рентгенолога с опытом абдоминальной визуализации 3 и 6 лет независимо друг от друга проводили сегментацию всего объема опухоли на КТ- и МРТ-изображениях. Расчет текстурных признаков выполнялся как без применения предварительной обработки изображений, так и с применением заданного размера вокселя 1 мм³ (RES) фильтром Лапласа Гаусса, а для КТ-изображений также с ограничением по плотности от 0 до 300 HU (0–300 HU). Согласованность измерений рентгенологами в отношении текстурных показателей была оценена с помощью коэффициента внутриклассовой корреляции 2-го типа (ICC).
Результаты. Наибольший процент воспроизводимых текстурных признаков при применении предварительной обработки изображений отмечался при КТ в артериальную фазу сканирования (0–300 HU + RES) (89,1%), а при МРТ в гепатобилиарную фазу с приведением изображений к изотропному вокселю (86,6%). При этом приведение изображения к изотропному вокселю 1 мм³ повышало процент воспроизводимых текстурных показателей в нативную, артериальную и отсроченную фазы при КТ, а также для Т2ВИ, ДВИ и в гепатобилиарную фазу при МРТ.
Заключение. Обе методики (КТ и МРТ) позволяют выявить воспроизводимые текстурные признаки, особенно с приведением изображения к изотропному вокселю. При этом предпочтение стоит отдавать постконтрастным изображениям, в том числе гепатобилиарной фазе. При КТ также целесообразно использовать ограничение по плотности для выделенной области интереса, что позволит избежать влияния на получаемые текстурные признаки прилежащих органов и жировой клетчатки и, таким образом, повысит процент воспроизводимых текстурных признаков. 

1. Allemani C., Matsuda T., Di Carlo V. et al. CONCORD Working Group. Global surveillance of trends in cancer survival 2000-14 (CONCORD-3): analysis of individual records for 37 513 025 patients diagnosed with one of 18 cancers from 322 population-based registries in 71 countries. Lancet. 2018; 391 (10125): 1023–1075. https://doi.org/10.1016/S0140-6736(17)33326-3

2. Hassanipour S., Vali M., Gaffari-Fam S. et al. The survival rate of hepatocellular carcinoma in Asian countries: a systematic review and meta-analysis. EXCLI J. 2020; 19: 108–130. https://doi.org/10.17179/excli2019-1842

3. Siegel R., Naishadham D., Jemal A. Cancer statistics. 2013. CA Cancer J. Clin. 2013; 63: 11–30. https://doi.org/10.3322/caac.21166

4. Кармазановский Г.Г., Шантаревич М.Ю. Обзор международных клинических рекомендаций и результатов клинических исследований по диагностике гепатоцеллюлярного рака за 2014–2020 годы. Анналы хирургической гепатологии. 2021; 26 (1): 12–24. https://doi.org/10.16931/1995-5464.2021112-24.

5. Ломовцева К.Х. Дифференциальная диагностика образований печени солидной структуры: роль диффузионно-взвешенных изображений и гепатоспецифичных контрастных средств: Дис. ... канд. мед. наук. М., 2018. 117 с.

6. Ломовцева К.Х., Кармазановский Г.Г. Диффузионновзвешенные изображения при очаговой патологии печени: обзор литературы. Медицинская визуализация. 2015; 6: 50–60.

7. Semaan S., ViettiVioli N., Lewis S. et al. Hepatocellular carcinoma detection in liver cirrhosis: diagnostic performance of contrast-enhanced CT vs. MRI with extracellular contrast vs. gadoxetic acid. Eur. Radiol. 2020; 30 (2): 1020–1030. https://doi.org/10.1007/s00330-019-06458-4. PMID: 31673837

8. An C., Lee C.H., Byun J.H. et al. Intraindividual comparison between gadoxetate-enhanced magnetic resonance imaging and dynamic computed tomography for characterizing focal hepatic lesions: a multicenter, multireader study. Korean J. Radiol. 2019; 20 (12): 1616–1626. https://doi.org/10.3348/kjr.2019.0363

9. Omata M., Cheng A.L., Kokudo N. et al. Asia-Pacific clinical practice guidelines on the management of hepatocellular carcinoma: a 2017 update. Hepatol. Int. 2017; 11 (4): 317–370. https://doi.org/10.1007/s12072-017-9799-9. PMID: 28620797; PMCID: PMC5491694

10. Гайдель А.В., Зельтер, П.М., Капишников А.В., Храмов А.Г. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни. Компьютерная оптика. 2014; 38 (4): 843–850.

11. Гайдель А.В., Первушкин С.С. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям. Компьютерная оптика. 2013; 37.1: 113–119.

12. Park H.J., Park B., Lee S.S. Radiomics and Deep Learning: Hepatic Applications. Korean J. Radiol. 2020; 21 (4): 387–401. https://doi.org/10.3348/kjr.2019.0752

13. Ganeshan B., Miles K.A. Quantifying tumour heterogeneity with CT. Cancer Imaging. 2013; 13 (1): 140–149. https://doi.org/10.1102/1470-7330.2013.0015. PMID: 23545171; PMCID: PMC3613789.

14. Liang W., Shao J., Liu W. et al. Differentiating Hepatic Epithelioid Angiomyolipoma From Hepatocellular Carcinoma and Focal Nodular Hyperplasia via Radiomics Models. Front. Oncol. 2020; 10: 564307. https://doi.org/10.3389/fonc.2020.564307

15. Liu X., Jiang H., Chen J. et al. Gadoxetic acid disodiumenhanced magnetic resonance imaging outperformed multidetector computed tomography in diagnosing small hepatocellular carcinoma: A meta-analysis. Liver Transpl. 2017; 23 (12): 1505–1518. https://doi.org/10.1002/lt.24867

16. Oh J., Lee J.M., Park J. et al. Hepatocellular Carcinoma: Texture Analysis of Preoperative Computed Tomography Images Can Provide Markers of Tumor Grade and DiseaseFree Survival. Korean J. Radiol. 2019; 20 (4): 569–579. https://doi.org/10.3348/kjr.2018.0501

17. Wu M., Tan H., Gao F. et al. Predicting the grade of hepatocellular carcinoma based on non-contrast-enhanced MRI radiomics signature. Eur. Radiol. 2019; 29 (6): 2802–2811. https://doi.org/10.1007/s00330-018-5787-2

18. Шантаревич М.Ю., Кармазановский Г.Г. Применение текстурного анализа КТ и МР-изображений для определения степени дифференцировки гепатоцеллюлярного рака и его дифференциальной диагностики: обзор литературы. Research'n Practical Medicine Journal. 2022; 9 (3): 129–144.

19. WHO Classification of Tumours 5th Edition Digestive System Tumours by WHO Classification of Tumours Editorial Board

20. Nioche C., Orlhac F., Boughdad S. et al. LIFEx: a freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Res. 2018; 78 (16): 4786–4789. https://doi.org/10.1158/0008-5472.CAN-18-0125

21. Mao B., Zhang L., Ning P. et al. Preoperative prediction for pathological grade of hepatocellular carcinoma via machine learning-based radiomics. Eur. Radiol. 2020; 30 (12): 6924–6932. https://doi.org/10.1007/s00330-020-07056-5

22. Liu X., Khalvati F., Namdar K. et al. Can machine learning radiomics provide pre-operative differentiation of combined hepatocellular cholangiocarcinoma from hepatocellular carcinoma and cholangiocarcinoma to inform optimal treatment planning? Eur. Radiol. 2021; 31 (1): 244–255. https://doi.org/10.1007/s00330-020-07119-7

23. Meng X.P., Wang Y.C., Zhou J.Y. et al. Comparison of MRI and CT for the prediction of microvascular invasion in solitary hepatocellular carcinoma based on a nonradiomics and radiomics method: which imaging modality is better? J. Magn. Reson. Imaging. 2021; 54 (2): 526–536. https://doi.org/10.1002/jmri.27575.

24. Hu H.T., Shan Q.Y., Chen S.L. et al. CT-based radiomics for preoperative prediction of early recurrent hepatocellular carcinoma: technical reproducibility of acquisition and scanners. Radiol. Med. 2020; 125 (8): 697–705. https://doi.org/10.1007/s11547-020-01174-2

25. 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. 201744 (3): 1050–1062. https://doi.org/10.1002/mp.12123

26. Sun R., Limkin E.J., Vakalopoulou M., et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018; 19 (9): 1180–1191. https://doi.org/10.1016/S1470-2045(18)30413-3