MRI-Based End-To-End Pediatric Low-Grade Glioma Segmentation and Classification

Purpose: MRI-based radiomics models can predict genetic markers in pediatric low-grade glioma (pLGG). These models usually require tumour segmentation, which is tedious and time consuming if done manually. We propose a deep learning (DL) model to automate tumour segmentation and build an end-to-end radiomics-based pipeline for pLGG classification. Methods: The proposed architecture is a 2-step U-Net based DL network. The first U-Net is trained on downsampled images to locate the tumour. The second U-Net is trained using image patches centred around the located tumour to produce more refined segmentations. The segmented tumour is then fed into a radiomics-based model to predict the genetic marker of the tumour. Results: Our segmentation model achieved a correlation value of over 80% for all volume-related radiomic features and an average Dice score of .795 in test cases. Feeding the auto-segmentation results into a radiomics model resulted in a mean area under the ROC curve (AUC) of .843, with 95% confidence interval (CI) [.78-.906] and .730, with 95% CI [.671-.789] on the test set for 2-class (BRAF V600E mutation BRAF fusion) and 3-class (BRAF V600E mutation BRAF fusion and Other) classification, respectively. This result was comparable to the AUC of .874, 95% CI [.829-.919] and .758, 95% CI [.724-.792] for the radiomics model trained and tested on the manual segmentations in 2-class and 3-class classification scenarios, respectively. Conclusion: The proposed end-to-end pipeline for pLGG segmentation and classification produced results comparable to manual segmentation when it was used for a radiomics-based genetic marker prediction model. Graphical Abstract Objectif : Des modeles de radiomique reposant sur l'IRM peuvent predire des marqueurs genetiques de gliome de bas grade (GBG) chez l'enfant. Ces modeles necessitent habituellement une segmentation de la tumeur, ce qui est fastidieux et prend du temps a faire manuellement. Nous proposons un modele d'apprentissage profond (AP) afin d'automatiser la segmentation des tumeurs et batir un flux integral reposant sur la radiomique qui servira a la classification des GBG pediatriques. Methodes : Une architecture de reseau en deux etapes d'AP U-Net est proposee. Le premier U-Net est entraine sur des images sous-echantillonnees a des fins de localisation de la tumeur. Le second U-Net est entraine a l'aide de segments d'images centres autour de la tumeur localisee a des fins de production d'une segmentation plus fine. Un modele reposant sur la radiomique est ensuite alimente des donnees de la tumeur segmentee, ce qui permet la prediction du marqueur genetique de la tumeur. Resultats : Notre modele de segmentation a obtenu une valeur de correlation de plus de 80 % pour toutes les caracteristiques de radiomique liees au volume et un score moyen de Dice de 0,795 dans les cas tests. L'alimentation des modeles de radiomique avec les resultats de segmentation automatique a presente une ASC moyenne de 0,843 et un intervalle de confiance [IC] a 95 % [de 0,78 a 0,906] sur l'ensemble de tests pour la classification a 2 categories (mutation BRAF V600E, fusion BRAF), et une ASC moyenne de 0,730 et un IC a 95 % [de 0,671 a 0,789] pour la classification a 3 categories (mutation BRAF V600E, fusion BRAF et Autre). Ces resultats sont comparables a ceux obtenus par les modeles de radiomique formes et testes avec les segmentations manuelles: une ASC de 0,874 et un IC a 95 % [de 0,829 a 0,919], et une ASC de 0,758 et un IC a 95 % [de 0,724 a 0,792] dans les scenarios de classification a 2 et 3 categories respectivement. Conclusion : Le flux integral propose pour la segmentation et la classification des GBG pediatriques a produit des resultats comparables a la segmentation manuelle quand il a ete utilise en guise de modele de prediction des marqueurs genetiques base sur la radiomique.