Zusammenfassung
Lange beschränkte sich die bildmorphologische Beurteilung von Tumoren auf deren Größe
einschließlich der Größendynamik, das Kontrastierungsmuster sowie deren visuell fassbaren
Verhalten zum umliegenden Gewebe. In der letzten Dekade rückten zunehmend weitere
Aspekte der Bildauswertung von in der klinischen Routine angefertigten Bilddatensätzen
in den Fokus, welche dank stetig steigender Prozessorleistung und entsprechend neuer
Anwendungsmöglichkeiten erstmals in größerem Umfang analysiert werden konnten. Begriffe
wie Tumorheterogenität, „machine learning“ und „big data“ fanden sich immer häufiger
in den Überschriften der Publikationen. Es ist gemeinhin anerkannt, dass Tumoren biologisch
in der überwiegenden Zahl der Fälle keine homogene Masse darstellen, sondern sowohl
auf makroskopischer als auch auf mikroskopischer und genetischer Ebene heterogene
Gewebe darstellen. Diese histopathologischen und immunhistochemischen Erkenntnisse
mit Tumorarealen unterschiedlicher Zelldichte, Angioneogenese und nekrotischen Anteilen
sollten ein entsprechend quantifizierbares Korrelat in den bildgebenden Verfahren
aufweisen. Die Heterogenitätsanalyse von Geweben in computertomografischen Datensätzen
findet entsprechend in der Onkologie ein breites Anwendungsspektrum, aber auch nicht
maligne Erkrankungen stellen einen möglichen Anwendungsbereich für diese Art der Bilddatenauswertung
dar. Der nachfolgende Artikel soll eine Übersicht über bereits erfolgte Auswertungen
von CT-Datensätzen bei verschiedenen Tumorentitäten und nicht-onkologischen Fragestellungen
liefern und die Herausforderungen für die weitere Anwendung von Heterogenitätsanalysen
aufzeigen.
Ein wichtiges Ziel stellt hierbei die Identifikation von möglichen bildgebenden Biomarkern
zur Therapieresponseevaluation dar, um mit entsprechenden Rückschlüssen die Fortführung
oder Umstellung der therapeutischen Maßnahmen zu untermauern.
Abstract
For a long time, the morphological assessment of tumours in imaging data was restricted
to the evaluation of their size including the size dynamics, the attenuation pattern
as well as their visually comprehensible behavior to the surrounding tissue. In the
last decade, different aspects of image analysis of data sets produced in the clinical
routine came into focus, which could be analyzed for the first time on a larger scale
thanks to constantly increasing processor performance and new applications. Terms
such as tumour heterogeneity, „machine learning“ and „big data“ were increasingly
found in the headlines of the publications. It is generally accepted that tumours
rather do not represent a biologically homogenous mass in the vast majority of cases,
than a heterogeneous tissue both on a macroscopic as on a microscopic and genetic
level. These histopathological and immunohistochemical findings with tumour areas
of different cell density, angioneogenesis and necrotic proportions should have a
correspondingly quantifiable correlate in the imaging datasets. The heterogeneity
analysis of tissues in computed tomography images accordingly finds a wide range of
applications in oncology, but also non-malignant diseases represent a possible area
of application for this type of image data analysis. The following article is intended
to provide an overview of already performed evaluations of CT datasets regarding tissue
heterogeneity in various tumour entities and non-oncological issues and identify the
challenges for the further applications of heterogeneity analysis.
An important goal is the identification of possible imaging biomarkers for therapeutic
response evaluation in order to underpin the continuation or conversion of the therapeutic
strategies with appropriate conclusions.
Schlüsselwörter
Tumorheterogenität - Texturanalyse - Computertomografie - bildgebende Biomarker
Keywords
tumour heterogeneity - texture analysis - computed tomography - imaging biomarker
