Actualită ți în

imagistica cancerelor
ORL Drogoman Marian,
Medic Rezident an.II,
Oncologie Medicală
Introducere

Cancerele capului și gâ tului reprezintă un grup eterogen de afecțiuni maligne care

apar din diferite structuri din regiunea capului și gâ tului, inclusiv cavitatea bucală ,
faringele, laringele, cavitatea nazală , sinusurile paranazale și glandele salivare [1]. Aceste
tipuri de cancere sunt adesea asociate cu morbiditate și mortalitate semnificativă , iar
gestionarea lor necesită o abordare multidisciplinară care implică intervenții chirurgicale,
radioterapie și chimioterapie [2]. Diagnosticul precis, stadializarea și monitorizarea
cancerelor de cap și gâ t sunt cruciale pentru determinarea strategiei optime de tratament,
pentru prezicerea rezultatelor pacientului și pentru evaluarea ră spunsului la tratament.
Tehnicile imagistice medicale, cum ar fi imagistica prin rezonanță magnetică (RMN),
tomografia computerizată (CT) și tomografia cu emisie de pozitroni (PET), sunt
indispensabile în evaluarea cancerelor de cap și gâ t [3].
În ultimii ani, aplicațiile de învă țare profundă (deep learning) s-au extins pentru a
include detectarea tumorilor, segmentarea, clasificarea și predicția ră spunsului, precum și
integrarea datelor imagistice multimodale și dezvoltarea modelelor predictive bazate pe
radiomică [4].
Algoritmii de învă țare profundă , în special rețelele neuronale convoluționale (CNN),
au demonstrat potențialul de a îmbună tă ți acuratețea, eficiența și consistența analizei
imaginilor medicale. Aceste tehnici de calcul avansate pot învă ța automat reprezentă ri
ierarhice ale caracteristicilor din datele imagistice brute, permițâ nd extragerea de
informații relevante clinic și depă șind potențial performanța la nivel uman în anumite
sarcini [5].

1. Învățarea profundă în imagistica medicală

Învă țarea profundă este un subdomeniu al învă ță rii automate care implică utilizarea
rețelelor neuronale artificiale cu mai multe straturi, cunoscute și sub numele de rețele
neuronale profunde, pentru a învă ța automat reprezentă rile ierarhice ale datelor de intrare
[6]. Această abordare computațională avansată a demonstrat un succes remarcabil în
diferite domenii, inclusiv procesarea limbajului natural, recunoașterea vorbirii și viziunea
computerizată . Rețelele neuronale convoluționale (CNN) sunt un tip de arhitectură de
învă țare profundă concepută special pentru analiza imaginilor. Ei au demonstrat
performanțe excepționale în diferite sarcini de viziune computerizată , cum ar fi clasificarea

1
imaginilor, detectarea obiectelor și segmentarea. Figura 1 prezintă o metastază a
ganglionilor limfatici segmentată de un algoritm de rețea neuronală [6].

Figura 1. RMN-ul axial ponderat T2 arată o metastază a ganglionului limfatic la

nivelul cervical stâ nga, segmentată de un algoritm de rețea neuronală (evidențiat cu
galben).

Învățarea profundă în imagistica cancerelor ORL

MRI

Imagistica prin rezonanță magnetică (RMN) este o modalitate de imagistică

neinvazivă care oferă un contrast excelent al țesuturilor moi și o rezoluție spațială ridicată ,
ceea ce o face un instrument valoros pentru evaluarea cancerelor capului și gâ tului
Tehnicile de învă țare profundă au fost aplicate la diferite sarcini în RMN cap și gâ t, de la
detectarea și segmentarea tumorii pâ nă la predicția ră spunsului la tratament și evaluarea
prognosticului [7].
Rețelele neuronale convoluționale (CNN) au fost folosite pentru detectarea și
segmentarea automată a tumorilor capului și gâ tului pe scană rile RMN [8]. Studii recente
au raportat rezultate promiță toare în segmentarea tumorilor primare și a ganglionilor
limfatici la pacienții cu cancer orofaringian [9]. De exemplu, Men et al. (2017) au raportat
un coeficient de similaritate Dice (DSC) de 0,85 pentru segmentarea tumorii primare
folosind un CNN 3D, comparativ cu un DSC de 0,74 pentru o abordare bazată pe atlas [10].
Arhitecturile CNN avansate, cum ar fi U-Net și variantele sale, au avut un succes deosebit în
aceste sarcini de segmentare [11].
Cu toate acestea, ră mâ n provocă ri în segmentarea tumorilor cu forme neregulate și
profiluri de intensitate eterogene, ceea ce poate necesita dezvoltarea unor modele de deep
learning mai sofisticate sau încorporarea de informații suplimentare, cum ar fi date clinice
sau demografice, pentru a îmbună tă ți performanța de segmentare [5].
Modelele de învă țare profundă au ară tat, de asemenea, potențialul de a prezice
ră spunsul la tratament la pacienții cu cancer de cap și gâ t folosind scană ri RMN. Studii
recente au demonstrat capacitatea CNN-urilor de a prezice rezultate, cum ar fi regresia
tumorii, controlul local și supraviețuirea globală , din scană rile RMN pre și post-tratament
pentru diferite forme de cancer [12,13]. Unele cercetă ri în alte forme de cancer au explorat
utilizarea RMN-ului multiparametric, combinâ nd mai multe secvențe imagistice pentru a
îmbună tă ți acuratețea predicției ră spunsului la tratament [14].
2
 Radiomica, care implică extragerea de caracteristici dimensionale înalte din
imaginile medicale, a fost combinată cu învă țarea profundă pentru o predicție îmbună tă țită
a ră spunsului la tratament și a prognosticului [4]. Această abordare poate duce la planuri
de tratament mai personalizate și la o mai bună monitorizare a rezultatelor pacientului. Cu
toate acestea, utilitatea clinică a acestor modele ră mâ ne să fie stabilită prin studii
prospective la scară largă .

CT

Tomografia computerizată (CT) este utilizată pe scară largă în diagnosticul și

stadializarea cancerelor de cap și gâ t datorită rezoluției lor spațiale mari, timpilor de
achiziție rapizi și capacită ții de a vizualiza structurile osoase [15]. Aplicațiile de învă țare
profundă în imagistica CT pentru cancerul capului și gâ tului includ detectarea și
segmentarea tumorilor, predicția rezultatului și planificarea tratamentului.
Mai multe studii au raportat utilizarea CNN-urilor pentru detectarea și segmentarea
tumorilor capului și gâ tului în scană rile CT [16,17]. CNN-urile au demonstrat o acuratețe
ridicată în segmentarea tumorilor primare și a ganglionilor limfatici, precum și în
delimitarea organelor cu risc, cum ar fi mă duva spină rii și glandele parotide, pentru
planificarea radioterapiei [18,10,16].
Tehnici precum CNN-urile 3D și învă țarea pe mai multe scari au fost folosite pentru a
captura mai bine relațiile spațiale dintre structuri și pentru a îmbună tă ți performanța de
segmentare [19].
Cu toate acestea, performanța acestor modele poate fi afectată de prezența
artefactelor, cum ar fi implanturile metalice și obturațiile dentare, care sunt frecvente la
scană rile CT ale capului și gâ tului [20]. Cercetă rile viitoare pot explora utilizarea tehnicilor
de învă țare profundă pentru reducerea artefactelor sau pot dezvolta modele care sunt mai
robuste pentru artefactele din datele imaginii.
Modele de învă țare profundă au fost, de asemenea, dezvoltate pentru a prezice
rezultatele tratamentului la pacienții cu cancer de cap și gâ t folosind scană ri CT. Un studiu
recent a demonstrat capacitatea unui CNN de a prezice supraviețuirea globală și
supraviețuirea fă ră boală din scană rile CT pre-tratament la pacienții cu carcinom
nazofaringian [21]. Mai mult, modelele de învă țare profundă care încorporează
caracteristici radiomice au ară tat o predicție îmbună tă țită a ră spunsului la tratament și a
supraviețuirii [19].
În plus, învă țarea profundă a fost aplicată în planificarea tratamentului, inclusiv în
optimizarea planurilor de radioterapie, pentru pacienții cu cancer de cap și gâ t. Aceste
modele pot genera automat predicții de distribuție a dozei și pot identifica configurațiile
optime ale fasciculului pentru a minimiza expunerea la radiații la țesuturile să nă toase,
maximizâ nd în același timp acoperirea tumorii [22]. Cu toate acestea, generalizarea și
impactul clinic al acestor modele justifică investigații suplimentare, inclusiv studii
multicentre și evaluarea performanței lor în diverse populații de pacienți.

PET

Tomografia cu emisie de pozitroni (PET), care oferă informații funcționale despre

metabolismul tumorii și perfuzia tisulară , au câ știgat o importanță tot mai mare în
gestionarea cancerelor de cap și gâ t [23]. Tehnicile de învă țare profundă au fost aplicate
scană rilor PET pentru sarcini precum detectarea tumorii, segmentarea și predicția
rezultatului.
CNN-urile au ară tat rezultate promiță toare în detectarea și segmentarea tumorilor
capului și gâ tului pe scană rile PET [9]. Metode precum învă țarea prin transfer și utilizarea
3
datelor multimodale, combinâ nd PET cu CT sau RMN, au fost explorate pentru a îmbună tă ți
performanța modelelor de învă țare profundă în acest domeniu [24].
Cu toate acestea, performanța acestor modele poate fi afectată de rezoluția spațială
scă zută și nivelurile ridicate de zgomot inerente imaginilor PET, precum și de variațiile
protocoalelor de achiziție a imaginilor și algoritmilor de reconstrucție [25]. Cercetă rile
viitoare ar trebui să se concentreze pe dezvoltarea de modele care să fie mai robuste la
aceste provocă ri și pe investigarea strategiilor pentru armonizarea datelor PET din diferite
surse.
Modelele de învă țare profundă au fost, de asemenea, explorate pentru a prezice
rezultatele tratamentului la pacienții cu cancer de cap și gâ t folosind scană ri PET. Studiile
au raportat potențialul CNN-urilor de a prezice ră spunsul tumorii, recurența și
supraviețuirea de la scană rile PET pre și post-tratament [26]. Unele cercetă ri au examinat,
de asemenea, utilizarea caracteristicilor radiomice derivate din PET în combinație cu
modele de învă țare profundă pentru o predicție îmbună tă țită a rezultatelor [27].
În plus, învă țarea profundă a fost aplicată pentru a monitoriza ră spunsul la
tratament la pacienții cu cancer de cap și gâ t folosind scană ri PET. Aceste modele pot
identifica potențial modifică ri metabolice precoce care indică eficacitatea tratamentului,
permițâ nd ajustă ri în timp util ale planurilor de tratament și rezultate îmbună tă țite ale
pacientului [28]. Cu toate acestea, sunt necesare cercetă ri suplimentare pentru a valida
aceste modele în cohorte mari, prospective și pentru a stabili utilitatea lor clinică .

2. Modificările în IRM multiparametric în serie și imagistica funcțională FDG-

PET/CT în timpul radioterapiei pot prezice răspunsul la tratament la
pacienții cu cancer de cap și gât

Radioterapia definitivă cu sau fă ră tratament sistemic concomitent este un tratament

standard de conservare a organelor pentru carcinomul cu celule scuamoase a mucoasei
capului și gâ tului local avansat. În urma tratamentului convențional, o proporție de pacienți
prezintă încă recidive tumorale locoregionale care provoacă morbiditate semnificativă sau
deces. În plus, la cei care sunt vindecați, tratamentul este asociat cu toxicită ți acute și
tardive semnificative. Stadiul tumoral (TNM) utilizat în mod obișnuit, istoricul fumatului și
starea HPV oferă informații de prognostic, dar nu au reușit să fie utili ca markeri predictivi
în studiile de adaptare la risc. Prin urmare, este necesar un biomarker cantitativ fiabil care
poate prezice rezultatele pentru a ghida intensificarea sau de-intensificarea adaptată a
tratamentului pe baza ră spunsului.
Imagistica funcțională poate caracteriza biologia tumorii folosind mă suri cantitative
care pot acționa ca un marker surogat timpuriu pentru ră spunsul la tratament. IRM
imagistic ponderat prin difuzie (DWI) și tomografia cu emisie de pozitroni cu 18F-
fluorodeoxiglucoză (FDG-PET/CT) au avantajul de a monitoriza în mod neinvaziv
modifică rile tumorii prin imagistică serială în timpul radioterapiei. Datele corelaționale
sugerează că DWI și FDG-PET/CT oferă informații biologice complementare. Pâ nă în
prezent, majoritatea studiilor de biomarkeri imagistici în cancerul de cap și gâ t au analizat
imaginile pre-tratament. S-a demonstrat că modifică rile în imagistica funcțională efectuate
în timpul tratamentului sunt un biomarker mai bun al ră spunsului la tratament în
comparație cu imagistica pre-tratament. Studiile care analizează imaginile de la mijlocul
tratamentului au fost limitate prin utilizarea modalită ții de imagistică unică , dimensiuni
reduse a eșantionului și metodologii neuniforme. Momentul imagisticii la mijlocul
tratamentului are, de asemenea, un impact semnificativ asupra evaluă rii ră spunsului, dar
momentul optim de timp pentru evaluarea ră spunsului ră mâ ne, de asemenea, fă ră ră spuns.

4
 Prin urmare, ră mâ ne nevoie de un studiu imagistic multimodal prospectiv pentru a
evalua utilitatea cuantifică rii modifică rilor tumorale la mijlocul tratamentului care prezic
ră spunsul la radioterapie în cancerul de cap și gâ t.
Trada et al. a efectuat un studiu în care au fost evaluați pacienții cu carcinoma
scuamos al capului și gâ tului nou diagnosticați, dovedit prin biopsie, nemetastatic, tratați cu
radioterapie definitivă , cu sau fă ră terapie sistemică concomitentă . Pacienții au fost supuși
imagisticii RMN multiparametrice în serie (DWI, T2) înainte, în timpul (să ptă mâ nile 2, 3, 5,
6) și după finalizarea (1 lună și 3 luni) a radioterapiei. Pacienții au fost supuși, de
asemenea, 18F-FDG-PET/CT înainte și în timpul (să ptă mâ na 3) radioterapie. Cronologia
imagistică utilizată în ambele studii este prezentată în Fig 2. Ră spunsul la tratament a fost
evaluat cu 18F-FDG-PET/CT post-tratament și examen clinic, inclusiv nazoendoscopie.
Recidivele au fost confirmate histologic sau prin imagistică .

Figura 2. Cronologia imaginilor și schema de încercare

Rezultatele imagistice au fost comparate cu recurența locală (tumora primară ) de 1

an mă surată din momentul diagnosticului. Rezultatele secundare au inclus recurența
regională (ganglionară ) la un an, recidiva la distanță (ganglioni non-regionali și metastaze
viscerale) și deces.
Studiul evidențiază importanța modifică rilor în imagistica DWI la mijlocul
tratamentului și FDG-PET/CT în prezicerea ră spunsului la tratament. Am identificat o
combinație de modificare în să ptă mâ na 3 DWI (> 24,4% ∆ADC medie ) și FDG-PET/CT (>
50,4% ∆MTV) parametrii imagistici efectuate în timpul radioterapiei care ar putea fi
utilizați în proiectarea viitoarelor studii clinice adaptate la risc. în HNSCC [29].

3. Modalități de imagistică in vivo intraoperatorie în delimitarea marginii

chirurgicale a cancerului de cap și gât. Tomografia cu coerență optică

Îndepă rtarea completă a țesutului canceros (R0) este un predictor important al

rezultatelor pacientului după intervenția chirurgicală , în special pentru operația de cancer
de cap și gâ t. În mod normal, țesuturile chirurgicale sunt examinate de un patolog pentru a
determina dacă a fost efectuată o îndepă rtare completă a cancerului. Cu toate acestea,
aceste analize sunt adesea imperfecte din cauza constrâ ngerilor de timp, limită rilor în
secțiunile înghețate și provocă rilor de orientare a țesuturilor. Tehnicile imagistice
5
intraoperatorii mai noi au ară tat o mare promisiune pentru creșterea atâ t a preciziei, câ t și
a eficienței acestui proces în sala de operație.
Tomografia cu coerență optică (OCT) mă soară întâ rzierea ecoului și intensitatea
luminii, care este reflectată și capturată cu interferometrie cu coerență scă zută . OCT este un
instrument de diagnostic neinvaziv și fă ră etichete, care poate oferi imagini de înaltă
fidelitate în setă ri intraoperatorii în timp real, oferind informații vitale despre marginile
tumorii. De la înființarea sa în 1991, OCT a fost în mare parte retrogradată în uz
oftalmologic. Cu toate acestea, progresele tehnologice din ultimele două decenii au extins
ulterior aplicarea OCT în mai multe discipline, inclusiv în chirurgia capului și gâ tului.
Această tehnologie este comparabilă cu cea a imaginilor cu ultrasunete, dar OCT se bazează
pe datele capturate din lumina reflectată în loc de sunet. Primele investigații folosind OCT
în țesuturile capului și gâ tului au fost efectuate pe laringe, care a fost o locație optimă
datorită epiteliului să u relativ subțire. În seria lor prospectivă cu 33 de subiecți, Englhard et
al. a încorporat tehnologia OCT împreună cu microscopia chirurgicală , permițâ nd un proces
de imagistică fă ră mâ ini cu o precizie chirurgicală îmbună tă țită . Această investigație a
raportat că imagistica OCT integrată cu microscop a fost capabilă să diferențieze corect
leziunile laringiene maligne (17/18) de cele benigne (4/5), cu performanțe mai slabe în
ceea ce privește procesele premaligne (1/5). Cu toate acestea, acest studiu a suferit, de
asemenea, dezavantaje similare, inclusiv penetrarea inferioară a imaginii și a oferit puține
informații cu privire la marginile chirurgicale. Într-adevă r, adâ ncimea maximă de penetrare
raportată de 1,2 mm (medie = 0,6 mm) prezintă limită ri potențiale în aplicabilitatea acestei
modalită ți de imagistică asupra leziunilor mai voluminoase, profund invazive sau
submucoase și în alte subsite-uri de cancer.
Aproape un deceniu mai tâ rziu, această tehnică a fost extinsă la afecțiunile maligne
orale, precum și în mediile intraoperatorii ex vivo. Aici, s-a descoperit că o arhitectură
malignă detectată prin OCT corespunde omologilor imagistici histopatologici cu
sensibilitate ridicată (81,5%) și specificitate (87,0%) în detectarea marginilor tumorii .
Într-o investigație recentă , Sunny și colab. a gă sit o concordanță excelentă între imagistica
OCT și analiza histopatologică a HNC cavită ții bucale, cu o sensibilitate și o specificitate
ambele de 100%. Acest studiu pilot cu 14 pacienți a fost primul care a utilizat OCT in vivo
intraoperator pentru a delimita marginile tumorii în cavitatea bucală , sugerâ nd potențialul
de echivalență a acestei metodologii cu analiza histopatologică permanentă . Pe scurt, cu
toate acestea, studii prospective mai ample sunt necesare pentru a valida aceste constată ri
[30].

1. Chow, L.Q.M. Head and neck cancer. N. Engl. J. Med. 2020, 382, 60–72. doi:
10.1056/NEJMra1715715. PMID: 31893516
2. Marur, S.; Forastiere, A.A. Head and neck squamous cell carcinoma: Update on
epidemiology, diagnosis, and treatment. Mayo Clin. Proc. 2016, 91, 386–396.
3. Chiesa-Estomba, C.M.; Lequerica-Ferná ndez, P.; Fakhry, N. Imaging in head and neck
cancer: United in diversity. Cancers 2019, 11, 1077.
4. Gillies, R.J.; Kinahan, P.E.; Hricak, H. Radiomics: Images are more than pictures, they
are data. Radiology 2016, 278, 563–577.
https://doi.org/10.1148/radiol.2015151169
5. Litjens, G.; Kooi, T.; Bejnordi, B.E.; Setio, A.A.A.; Ciompi, F.; Ghafoorian, M.; van der
Laak, J.A.W.M.; van Ginneken, B.; Sá nchez, C.I. A survey on deep learning in medical
image analysis. Med. Image Anal. 2017, 42, 60–88.
https://doi.org/10.1016/j.media.2017.07.005
6. LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436–444.
https://doi.org/10.1038/nature14539

6
7. Czernin, J.; Allen-Auerbach, M.; Schelbert, H.R. Improvements in cancer staging with
PET/CT: Literature-based evidence as of September 2006. J. Nucl. Med. 2007, 48,
78S–88S.
8. Ibragimov, B.; Xing, L. Segmentation of organs-at-risks in head and neck CT images
using convolutional neural networks. Med. Phys. 2017, 44, 547–557.
https://doi.org/10.1002/mp.12045
9. Zhong, Z.; Kim, Y.; Zhou, L.; Plichta, K. Deep-learning based, automated segmentation
of head and neck cancer in PET/CT images. In Proceedings of the 2018 IEEE 15th
International Symposium on Biomedical Imaging (ISBI 2018), Washington, DC, USA,
4–7 April 2018; pp. 177–181.
10. Men, K.; Dai, J.; Li, Y. Automatic segmentation of the clinical target volume and
organs at risk in the planning CT for rectal cancer using deep dilated convolutional
neural networks. Med. Phys. 2017, 44, 6377–6389.
https://doi.org/10.1002/mp.12602
11. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional networks for biomedical
image segmentation. In International Conference on Medical Image Computing and
Computer-Assisted Intervention; Springer: Cham, Switzerland, 2015; pp. 234–241.
12. Lao, J.; Chen, Y.; Li, Z.C.; Li, Q.; Zhang, J. A deep learning-based radiomics model for
prediction of survival in glioblastoma multiforme. Sci. Rep. 2017, 7, 10353
https://doi.org/10.1038/s41598-017-10649-8
13. Wang, H.; Zhou, Z.; Li, Y.; Chen, Z.; Lu, P.; Wang, W.; Liu, W.; Yu, L. Comparison of
machine learning methods for classify-ing mediastinal lymph node metastasis of
non-small cell lung cancer from 18F-FDG PET/CT images. EJNMMI Res. 2019, 9, 15.
14. Hö tker, A.M.; Tarlinton, L.; Mazaheri, Y.; Woo, K.M.; Gö nen, M.; Saltz, L.B.; Goodman,
K.A.; Garcia-Aguilar, J.; Gollub, M.J. Multiparametric MRI in the assessment of
response of rectal cancer to neoadjuvant chemoradiotherapy: A comparison of
morphological, volumetric and functional MRI parameters. Eur. Radiol. 2016, 26,
4303–4312. https://doi.org/10.1007/s00330-016-4283-9
15. Som, P.M.; Curtin, H.D. Head and Neck Imaging, 4th ed.; Mosby: St. Louis, MO, USA,
2003.
16. Zhu, W.; Huang, Y.; Zeng, L.; Chen, X.; Liu, Y.; Qian, Z.; Du, N.; Fan, W.; Xie, X.
AnatomyNet: Deep learning for fast and fully automated whole-volume
segmentation of head and neck anatomy. Med. Phys. 2019, 46, 576–589.
https://doi.org/10.1002/mp.13300
17. Haarburger, C.; Valentinitsch, A.; Rienmü ller, A.; Kuder, T.A.; Bickelhaupt, S.
Automated detection and segmentation of head and neck carcinomas using a 3D U-
Net on planning CT scans. Eur. Radiol. Exp. 2020, 4, 1–10.
18. Shen, D.; Wu, G.; Suk, H.I. Deep learning in medical image analysis. Annu. Rev.
Biomed. Eng. 2017, 19, 221–248. https://doi.org/10.1146/annurev-bioeng-071516-
044442
19. Wu, J.; Gensheimer, M.F.; Dong, X.; Rubin, D.L.; Napel, S.; Diehn, M. Robust intratumor
partitioning to identify high-risk subregions in lung cancer: A pilot study. Int. J.
Radiat. Oncol. Biol. Phys. 2017, 98, 647–656.
https://doi.org/10.1016/j.ijrobp.2016.03.018
20. Tajbakhsh, N.; Shin, J.Y.; Gurudu, S.R.; Hurst, R.T.; Kendall, C.B.; Gotway, M.B.; Liang, J.
Convolutional neural networks for medical image analysis: Full training or fine
tuning? IEEE Trans. Med. Imaging 2016, 35, 1299–1312.
https://doi.org/10.1109/TMI.2016.2535302
21. Lu, L.; Ehmke, R.C.; Schwartz, L.H.; Zhao, B. Assessing agreement between radiomic
features computed for multiple CT imaging settings. PloS ONE 2015, 10, e0143848.

7
22. Kearney, V.; Chan, J.W.; Haaf, S.; Descovich, M.; Solberg, T.D. DoseNet: A volumetric
dose prediction algorithm using 3D fully convolutional networks. Med. Phys. 2018,
45, 6343–6353.
https://iopscience.iop.org/article/10.1088/1361-6560/aaef74#:~:text=DOI
%2010.1088/1361%2D6560/aaef74
23. Adams, M.C.; Turkington, T.G.; Wilson, J.M.; Wong, T.Z. A systematic review of the
factors affecting accuracy of SUV measurements. Am. J. Roentgenol. 2010, 195, 310–
320. https://doi.org/10.2214/AJR.10.4923
24. Liu, S.; Liu, S.; Cai, W.; Che, H.; Pujol, S.; Kikinis, R.; Feng, D.; Fulham, M.J. Multimodal
neuroimaging feature learning for multiclass diagnosis of Alzheimer’s disease. IEEE
Trans. Biomed. Eng. 2015, 62, 1132–1140. doi: 10.1109/TBME.2014.2372011.
25. Eiber, M.; Weirich, G.; Holzapfel, K.; Souvatzoglou, M.; Haller, B.; Rauscher, I.; Beer,
A.J.; Wester, H.J.; Gschwend, J.; Schwaiger, M.; et al. Simultaneous 68Ga-PSMA HBED-
CC PET/MRI Improves the Localization of Primary Prostate Cancer. Eur. Urol. 2016,
70, 829–836. https://doi.org/10.1016/j.eururo.2015.12.053
26. Zhou, M.; Scott, J.; Chaudhury, B.; Hall, L.; Goldgof, D.; Yeom, K.W.; Iv, M.; Ou, Y.;
Kalpathy-Cramer, J.; Napel, S.; et al. Radiomics in Brain Tumor: Image Assessment,
Quantitative Feature Descriptors, and Machine-Learning Approaches. Am. J.
Neuroradiol. 2018, 39, 208–216 https://doi.org/10.3174/ajnr.A5391
27. Vallières, M.; Freeman, C.R.; Skamene, S.R.; El Naqa, I. A radiomics model from joint
FDG-PET and MRI texture features for the prediction of lung metastases in soft-
tissue sarcomas of the extremities. Phys. Med. Biol. 2015, 60, 5471–5496.
28. Vallières, M.; Kay-Rivest, E.; Perrin, L.J.; Liem, X.; Furstoss, C.; Aerts, H.J.; Khaouam,
N.; Nguyen-Tan, P.F.; Wang, C.S.; Sultanem, K.; et al. Radiomics strategies for risk
assessment of tumour failure in head-and-neck cancer. Sci. Rep. 2017, 7, 10117.
29. Trada, Y., Keall, P., Jameson, M. şi colab. Modifică rile în IRM multiparametric în serie
și imagistica funcțională FDG-PET/CT în timpul radioterapiei pot prezice ră spunsul
la tratament la pacienții cu cancer de cap și gâ t. Eur Radiol 33 , 8788–8799 (2023).
https://doi.org/10.1007/s00330-023-09843-2
30. Young, K.; Ma, E.; Kejriwal, S.; Nielsen, T.; Aulakh, SS; Birkeland, AC Modalită ți de
imagistică intraoperatorie in vivo în delimitarea marginii chirurgicale a cancerului
de cap și gâ t: o revizuire sistematică . Cancers 2022 , 14 , 3416.
https://doi.org/10.3390/cancers14143416