Gehirntumordarstellung der ganz neuen Art

Die Phosphor-Magnetresonanzspektroskopiebildgebung (31P MRSI) findet als Alternative zur etablierten Magnetresonanztomografie (MRT) zunehmend Beachtung. Sie liefert wertvolle In-vivo-Informationen über Energiezustand, pH-Wert und Stoffwechsel eines Bereichs von Interesse, aber die Auflösung ist begrenzt und die Signal-zu-Rausch-Abstände (Signal-to-Noise Ratio, SNR) sind gering.

Mit immer mehr Fortschritten bei den Hochfeldtomografen (drei Tesla (3T)) und Mehrkanal-Funkfrequenzempfangsspulen tauchen zahlreiche Anwendungsmöglichkeiten am Horizont auf. EU-finanzierte Wissenschaftler wollten Metriken entwickeln, um die Aggressivität von Hirntumoren bewerten zu können. Darauf zielten die Arbeiten am EU-finanzierte Projekt "Phosphorus MR spectroscopic imaging of brain tumours at 3T" (31P_SPECTRA_3T) ab. Sie konzentrierten sich auf die spektralen Peaks (Spitzenwerte), die von den Metaboliten erzeugt werden, an denen Interesse besteht.

Das Team verglich Zeitbereichs- und Frequenzbereichsanalysen von klinisch vorgenommenen Scans zwecks genauer Quantifizierung von 31P MRSI-Daten des menschlichen Gehirns bei drei Tesla (3T). Die geringen Signal-Rausch-Abstände lassen daraus eine schwierige Aufgabe werden. Peak-Verhältnis-Schätzungen der zwei bewerteten Programme (Advanced Method for Accurate, Robust and Efficient Spectral fitting (AMARES) und quelloffene Spectroscopic Imaging, VIsualization and Computing (SIVIC)) fielen sehr ähnlich aus, obgleich AMARES bei verrauschten Spektren besser funktionierte.

Nach Bewertung der Mess- und Quantifizierungsverfahren wandte sich das Team der Anwendung zu. Dabei ging es um die Analyse der räumlichen Heterogenität und Charakteristika von Hirntumoren unter Einsatz von 31P MRSI bei 3T. Die Wissenschaftler verglichen Daten von drei gesunden Freiwilligen und elf Patienten, die Einverständniserklärungen erteilten.

Trotz der geringen Stichprobengröße untermauerten die Resultate die Eignung der beiden Verfahren (Support Vector Machine und logistische Regression) zur Klassifizierung und Unterscheidung der Hirntumoren von normalem Gewebe. Die logistische Regression resultierte in einer höheren Sensitivität, Spezifität und Genauigkeit.

Zum Abschluss verarbeiteten die Forscher die Spektren von gesunden Freiwilligen und Patienten unter Einsatz von AMARES mit nachfolgenden linearen Regressionen, um eine Anpassung von Voxelintensitäten an ein gegebenes Metabolitenverhältnis vorzunehmen. Sie konzentrierten sich auf die Verhältnisse der vorhergehenden Bewertung, bei denen sich Abweichungen zwischen gesunden Probanden und Patienten zeigten.

31P_SPECTRA_3T konnte durch besseres Verständnis und aufgewertete Messgrößen zu einer stärkeren Nutzung des 31P MRSI beigetragen. Auf diese Weise wird man nun erweiterter Datenbanken über gesundes und krankes Gewebe die Qualität der Diagnose und Behandlungsplanung verbessern können.