To determine whether hydrogen 1 magnetic resonance (MR) spectroscopic imaging can be used to predict aggressiveness of prostate cancer.All patients gave informed consent according to an institutionally approved research protocol. A total of 123 patients (median age, 58 years; age range, 40-74 years) who underwent endorectal MR imaging and MR spectroscopic imaging between January 2000 and December 2002 were included. MR imaging and spectroscopy were performed by using combined pelvic phased-array and endorectal probe. Water and lipids were suppressed, and phase-encoded data were acquired with 6.2-mm resolution. Voxels in the peripheral zone were considered suspicious for cancer if (Cho + Cr)/Cit was at least two standard deviations above the normal level, where Cho represents choline-containing compounds, Cr represents creatine and phosphocreatine, and Cit represents citrate. Correlation between metabolite ratio and four Gleason score groups identified at step-section pathologic evaluation (3 + 3, 3 + 4, 4 + 3, and > or =4 + 4) was assessed with generalized estimating equations.Data from 94 patients were included. Pathologic evaluation was used to identify 239 lesions. Overall sensitivity of MR spectroscopic imaging was 56% for tumor detection, increasing from 44% in lesions with Gleason score of 3 + 3 to 89% in lesions with Gleason score greater than or equal to 4 + 4. There was a trend toward increasing (Cho + Cr)/Cit with increasing Gleason score in lesions identified correctly with MR spectroscopic imaging. Tumor volume assessed with MR spectroscopic imaging increased with increasing Gleason score.MR spectroscopic imaging measurement of prostate tumor (Cho + Cr)/Cit and tumor volume correlate with pathologic Gleason score. There is overlap between MR spectroscopic imaging parameters at various Gleason score levels, which may reflect methodologic and physiologic variations. MR spectroscopic imaging has potential in noninvasive assessment of prostate cancer aggressiveness.

Purpose

 To determine whether prostate cancer local recurrence after radiation therapy (RT) occurs at the site of primary tumor by retrospectively comparing the tumor location on pre-RT and post-RT magnetic resonance imaging (MRI) and using step-section pathology after salvage radical prostatectomy (SRP) as the reference standard. 

Methods and Materials

 Nine patients with localized prostate cancer were treated with intensity modulated RT (69–86.4 Gy), and had pre-RT and post-RT prostate MRI, biopsy-proven local recurrence, and SRP. The location and volume of lesions on pre-RT and post-RT MRI were correlated with step-section pathology findings. Tumor foci >0.2 cm³ and/or resulting in extraprostatic disease on pathology were considered clinically significant. 

Results

 All nine significant tumor foci (one in each patient; volume range, 0.22–8.63 cm³) were detected both on pre-RT and post-RT MRI and displayed strikingly similar appearances on pre-RT and post-RT MRI and step-section pathology. Two clinically insignificant tumor foci (≤0.06 cm³) were not detected on imaging. The ratios between tumor volumes on pathology and on post-RT MRI ranged from 0.52 to 2.80. 

Conclusions

 Our study provides a direct visual confirmation that clinically significant post-RT local recurrence occurs at the site of primary tumor. Our results are in agreement with reported clinical and pathologic results and support the current practice of boosting the radiation dose within the primary tumor using imaging guidance. They also suggest that monitoring of primary tumor with pre-RT and post-RT MRI could lead to early detection of local recurrence amenable to salvage treatment.

No AccessJournal of UrologyAdult Urology1 Nov 2012Magnetic Resonance Imaging for Predicting Prostate Biopsy Findings in Patients Considered for Active Surveillance of Clinically Low Risk Prostate Cancer Hebert Alberto Vargas, Oguz Akin, Asim Afaq, Debra Goldman, Junting Zheng, Chaya S. Moskowitz, Amita Shukla-Dave, James Eastham, Peter Scardino, and Hedvig Hricak Hebert Alberto VargasHebert Alberto Vargas Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York Supported by the Peter Michael Foundation. More articles by this author , Oguz AkinOguz Akin Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , Asim AfaqAsim Afaq Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , Debra GoldmanDebra Goldman Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , Junting ZhengJunting Zheng Department of Epidemiology and Biostatistics, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , Chaya S. MoskowitzChaya S. Moskowitz Department of Epidemiology and Biostatistics, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , Amita Shukla-DaveAmita Shukla-Dave Department of Medical Physics, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , James EasthamJames Eastham Department of Surgery, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author , Peter ScardinoPeter Scardino Department of Surgery, Memorial Sloan-Kettering Cancer Center, New York, New York Equal study contribution. More articles by this author , and Hedvig HricakHedvig Hricak Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York Equal study contribution. More articles by this author View All Author Informationhttps://doi.org/10.1016/j.juro.2012.07.024AboutFull TextPDF ToolsAdd to favoritesDownload CitationsTrack CitationsPermissionsReprints ShareFacebookLinked InTwitterEmail Abstract Purpose: A barrier to the acceptance of active surveillance for men with prostate cancer is the risk of underestimating the cancer burden on initial biopsy. We assessed the value of endorectal magnetic resonance imaging in predicting upgrading on confirmatory biopsy in men with low risk prostate cancer. Materials and Methods: A total of 388 consecutive men (mean age 60.6 years, range 33 to 89) with clinically low risk prostate cancer (initial biopsy Gleason score 6 or less, prostate specific antigen less than 10 ng/ml, clinical stage T2a or less) underwent endorectal magnetic resonance imaging before confirmatory biopsy. Three radiologists independently and retrospectively scored tumor visibility on endorectal magnetic resonance imaging using a 5-point scale (1—definitely no tumor to 5—definitely tumor). Inter-reader agreement was assessed with weighted kappa statistics. Associations between magnetic resonance imaging scores and confirmatory biopsy findings were evaluated using measures of diagnostic performance and multivariate logistic regression. Results: On confirmatory biopsy, Gleason score was upgraded in 79 of 388 (20%) patients. Magnetic resonance imaging scores of 2 or less had a high negative predictive value (0.96–1.0) and specificity (0.95–1.0) for upgrading on confirmatory biopsy. A magnetic resonance imaging score of 5 was highly sensitive for upgrading on confirmatory biopsy (0.87–0.98). At multivariate analysis patients with higher magnetic resonance imaging scores were more likely to have disease upgraded on confirmatory biopsy (odds ratio 2.16–3.97). Inter-reader agreement and diagnostic performance were higher for the more experienced readers (kappa 0.41–0.61, AUC 0.76–0.79) than for the least experienced reader (kappa 0.15–0.39, AUC 0.61–0.69). Magnetic resonance imaging performed similarly in predicting low risk and very low risk (Gleason score 6, less than 3 positive cores, less than 50% involvement in all cores) prostate cancer. Conclusions: Adding endorectal magnetic resonance imaging to the initial clinical evaluation of men with clinically low risk prostate cancer helps predict findings on confirmatory biopsy and assess eligibility for active surveillance. References 1 : Cancer statistics, 2011: the impact of eliminating socioeconomic and racial disparities on premature cancer deaths. CA Cancer J Clin2011; 61: 212. Google Scholar 2 : Declining death rates reflect progress against cancer. PLoS One2010; 5: e9584. Google Scholar 3 : Lead time and overdiagnosis in prostate-specific antigen screening: importance of methods and context. J Natl Cancer Inst2009; 101: 374. Google Scholar 4 : Active surveillance for prostate cancer. JAMA2010; 304: 2411. Google Scholar 5 : Clinical results of long-term follow-up of a large, active surveillance cohort with localized prostate cancer. J Clin Oncol2010; 28: 126. Google Scholar 6 : Outcomes of men with screen-detected prostate cancer eligible for active surveillance who were managed expectantly. Eur Urol2009; 55: 1. Google Scholar 7 : Active surveillance for the management of prostate cancer in a contemporary cohort. Cancer2008; 112: 2664. Google Scholar 8 : Active surveillance for prostate cancers detected in three subsequent rounds of a screening trial: characteristics, PSA doubling times, and outcome. Eur Urol2007; 51: 1244. Google Scholar 9 : Careful selection and close monitoring of low-risk prostate cancer patients on active surveillance minimizes the need for treatment. Eur Urol2010; 58: 831. Google Scholar 10 : NCCN Clinical Practice Guidelines in Oncology for Prostate Cancer, v2.2010. http://www.nccn.org/professionals/physician_gls/pdf/prostate.pdf. Accessed June 6, 2010. Google Scholar 11 : NCCN Clinical Practice Guidelines in Oncology for Prostate Cancer, v3.2011. http://www.nccn.org/professionals/physician_gls/pdf/prostate.pdf. Accessed May 25, 2011. Google Scholar 12 : The contemporary concept of significant versus insignificant prostate cancer. Eur Urol2011; 60: 291. Google Scholar 13 : Pathological upgrading and up staging with immediate repeat biopsy in patients eligible for active surveillance. J Urol2008; 180: 1964. Link, Google Scholar 14 : Clinical stage T1c prostate cancer: evaluation with endorectal MR imaging and MR spectroscopic imaging. Radiology2009; 253: 425. Google Scholar 15 : The utility of magnetic resonance imaging and spectroscopy for predicting insignificant prostate cancer: an initial analysis. BJU Int2007; 99: 786. Google Scholar 16 : Multiparametric MRI is helpful to predict tumor focality, stage, and size in patients diagnosed with unilateral low-risk prostate cancer. Prostate Cancer Prostatic Dis2011; 14: 232. Google Scholar 17 : Diffusion-weighted endorectal MR imaging at 3 T for prostate cancer: tumor detection and assessment of aggressiveness. Radiology2011; 259: 775. Google Scholar 18 : Intermixed normal tissue within prostate cancer: effect on MR imaging measurements of apparent diffusion coefficient and T2–sparse versus dense cancers. Radiology2008; 249: 900. Google Scholar 19 : Large-sample standard errors of kappa and weighted kappa. Psychol Bull1969; 72: 323. Google Scholar 20 : The measurement of observer agreement for categorical data. Biometrics1977; 33: 159. Crossref, Medline, Google Scholar 21 : Expectant management of prostate cancer with curative intent: an update of the Johns Hopkins experience. J Urol2007; 178: 2359. Link, Google Scholar 22 : Prospective evaluation of selection criteria for active surveillance in Japanese patients with stage T1cN0M0 prostate cancer. Jpn J Clin Oncol2008; 38: 122. Google Scholar 23 : Prostate cancer: detection of extracapsular extension by genitourinary and general body radiologists at MR imaging. Radiology2004; 232: 140. Google Scholar 24 : Magnetic resonance imaging does not improve the prediction of misclassification of prostate cancer patients eligible for active surveillance when the most stringent selection criteria are based on the saturation biopsy scheme. BJU Int2011; 108: 513. Google Scholar 25 : Biochemical outcome after radical prostatectomy, external beam radiation therapy, or interstitial radiation therapy for clinically localized prostate cancer. JAMA1998; 280: 969. Google Scholar 26 : Pathologic and clinical findings to predict tumor extent of nonpalpable (stage T1c) prostate cancer. JAMA1994; 271: 368. Crossref, Medline, Google Scholar 27 : Comparison of phased-array 3.0-T and endorectal 1.5-T magnetic resonance imaging in the evaluation of local staging accuracy for prostate cancer. J Comput Assist Tomogr2007; 31: 534. Google Scholar 28 : Impact of multiparametric endorectal coil prostate magnetic resonance imaging on disease reclassification among active surveillance candidates: a prospective cohort study. J Urol2012; 187: 1247. Link, Google Scholar © 2012 by American Urological Association Education and Research, Inc.FiguresReferencesRelatedDetailsCited byLiss M, Newcomb L, Zheng Y, Garcia M, Filson C, Boyer H, Brooks J, Carroll P, Cooperberg M, Ellis W, Gleave M, Martin F, Morgan T, Nelson P, Wagner A, Thompson I and Lin D (2020) Magnetic Resonance Imaging for the Detection of High Grade Cancer in the Canary Prostate Active Surveillance StudyJournal of Urology, VOL. 204, NO. 4, (701-706), Online publication date: 1-Oct-2020.Taneja S (2020) Re: Utility of Multiparametric Magnetic Resonance Imaging in the Risk Stratification of Men with Grade Group 1 Prostate Cancer on Active SurveillanceJournal of Urology, VOL. 204, NO. 2, (386-386), Online publication date: 1-Aug-2020.Tan N, Shen L, Khoshnoodi P, Alcalá H, Yu W, Hsu W, Reiter R, Lu D and Raman S (2017) Pathological and 3 Tesla Volumetric Magnetic Resonance Imaging Predictors of Biochemical Recurrence after Robotic Assisted Radical Prostatectomy: Correlation with Whole Mount HistopathologyJournal of Urology, VOL. 199, NO. 5, (1218-1223), Online publication date: 1-May-2018. (2017) Reply by AuthorsJournal of Urology, VOL. 198, NO. 3, (710-711), Online publication date: 1-Sep-2017.Taneja S (2016) Re: Magnetic Resonance Imaging-Ultrasound Fusion Biopsy during Prostate Cancer Active SurveillanceJournal of Urology, VOL. 197, NO. 2, (400-401), Online publication date: 1-Feb-2017.Recabal P, Assel M, Sjoberg D, Lee D, Laudone V, Touijer K, Eastham J, Vargas H, Coleman J and Ehdaie B (2016) The Efficacy of Multiparametric Magnetic Resonance Imaging and Magnetic Resonance Imaging Targeted Biopsy in Risk Classification for Patients with Prostate Cancer on Active SurveillanceJournal of Urology, VOL. 196, NO. 2, (374-381), Online publication date: 1-Aug-2016.Taneja S (2016) Re: Nine-Year Follow-up for a Study of Diffusion-Weighted Magnetic Resonance Imaging in a Prospective Prostate Cancer Active Surveillance CohortJournal of Urology, VOL. 195, NO. 6, (1781-1782), Online publication date: 1-Jun-2016.Satasivam P, Poon B, Ehdaie B, Vickers A and Eastham J (2015) Can Confirmatory Biopsy be Omitted in Patients with Prostate Cancer Favorable Diagnostic Features on Active Surveillance?Journal of Urology, VOL. 195, NO. 1, (74-79), Online publication date: 1-Jan-2016.Anderson C, Sternberg I, Karen-Paz G, Kim P, Sjoberg D, Vargas H, Touijer K, Eastham J and Ehdaie B (2015) Age is Associated with Upgrading at Confirmatory Biopsy among Men with Prostate Cancer Treated with Active SurveillanceJournal of Urology, VOL. 194, NO. 6, (1607-1611), Online publication date: 1-Dec-2015.Pham K, Porter C, Odem-Davis K, Wolff E, Jeldres C, Wei J and Morgan T (2015) Transperineal Template Guided Prostate Biopsy Selects Candidates for Active Surveillance—How Many Cores are Enough?Journal of Urology, VOL. 194, NO. 3, (674-679), Online publication date: 1-Sep-2015.Ouzzane A, Renard-Penna R, Marliere F, Mozer P, Olivier J, Barkatz J, Puech P and Villers A (2015) Magnetic Resonance Imaging Targeted Biopsy Improves Selection of Patients Considered for Active Surveillance for Clinically Low Risk Prostate Cancer Based on Systematic BiopsiesJournal of Urology, VOL. 194, NO. 2, (350-356), Online publication date: 1-Aug-2015.Bjurlin M, Meng X, Le Nobin J, Wysock J, Lepor H, Rosenkrantz A and Taneja S (2014) Optimization of Prostate Biopsy: the Role of Magnetic Resonance Imaging Targeted Biopsy in Detection, Localization and Risk AssessmentJournal of Urology, VOL. 192, NO. 3, (648-658), Online publication date: 1-Sep-2014.Song S, Pak S, Park S, Song C, Jeong I, Choi H, Kim J, Cho K, Kim C and Ahn H (2014) Predictors of Unfavorable Disease after Radical Prostatectomy in Patients at Low Risk by D'Amico Criteria: Role of Multiparametric Magnetic Resonance ImagingJournal of Urology, VOL. 192, NO. 2, (402-408), Online publication date: 1-Aug-2014.Hu J, Chang E, Natarajan S, Margolis D, Macairan M, Lieu P, Huang J, Sonn G, Dorey F and Marks L (2014) Targeted Prostate Biopsy to Select Men for Active Surveillance: Do the Epstein Criteria Still Apply?Journal of Urology, VOL. 192, NO. 2, (385-390), Online publication date: 1-Aug-2014.Vellekoop A, Loeb S, Folkvaljon Y and Stattin P (2013) Population Based Study of Predictors of Adverse Pathology among Candidates for Active Surveillance with Gleason 6 Prostate CancerJournal of Urology, VOL. 191, NO. 2, (350-357), Online publication date: 1-Feb-2014.Villers A and Puech P (2013) When and How Should Magnetic Resonance Imaging be Used in Evaluation of the Patient with Prostate Cancer or Increased Prostate Specific Antigen?Journal of Urology, VOL. 190, NO. 5, (1641-1642), Online publication date: 1-Nov-2013.Rais-Bahrami S, Siddiqui M, Turkbey B, Stamatakis L, Logan J, Hoang A, Walton-Diaz A, Vourganti S, Truong H, Kruecker J, Merino M, Wood B, Choyke P and Pinto P (2013) Utility of Multiparametric Magnetic Resonance Imaging Suspicion Levels for Detecting Prostate CancerJournal of Urology, VOL. 190, NO. 5, (1721-1727), Online publication date: 1-Nov-2013.Kuru T, Roethke M, Seidenader J, Simpfendörfer T, Boxler S, Alammar K, Rieker P, Popeneciu V, Roth W, Pahernik S, Schlemmer H, Hohenfellner M and Hadaschik B (2013) Critical Evaluation of Magnetic Resonance Imaging Targeted, Transrectal Ultrasound Guided Transperineal Fusion Biopsy for Detection of Prostate CancerJournal of Urology, VOL. 190, NO. 4, (1380-1386), Online publication date: 1-Oct-2013.Ploussard G (2012) How Much Should We Pursue an Elevated Prostate Specific Antigen?Journal of Urology, VOL. 188, NO. 5, (1658-1659), Online publication date: 1-Nov-2012.Steers W (2012) This Month in Adult UrologyJournal of Urology, VOL. 188, NO. 5, (1649-1650), Online publication date: 1-Nov-2012. Volume 188 Issue 5 November 2012 Page: 1732-1738 Supplementary Materials Advertisement Copyright & Permissions© 2012 by American Urological Association Education and Research, Inc.Keywordsmagnetic resonance imagingprostatic neoplasmswatchful waitingAcknowledgmentsMs. Ada Muellner provided editorial assistance.Metrics Author Information Hebert Alberto Vargas Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York Supported by the Peter Michael Foundation. More articles by this author Oguz Akin Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author Asim Afaq Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author Debra Goldman Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author Junting Zheng Department of Epidemiology and Biostatistics, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author Chaya S. Moskowitz Department of Epidemiology and Biostatistics, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author Amita Shukla-Dave Department of Medical Physics, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author James Eastham Department of Surgery, Memorial Sloan-Kettering Cancer Center, New York, New York More articles by this author Peter Scardino Department of Surgery, Memorial Sloan-Kettering Cancer Center, New York, New York Equal study contribution. More articles by this author Hedvig Hricak Department of Radiology, Memorial Sloan-Kettering Cancer Center, New York, New York Equal study contribution. More articles by this author Expand All Advertisement PDF downloadLoading ...

Abstract Purpose Recent advances in computational resources, including software libraries and hardware, have enabled the use of high-dimensional, multi-modal datasets to build Artificial Intelligence (AI) models and workflows for radiation therapy and image analysis. The purpose of Software Toolbox for RAdioTherapy and Imaging analysiS (STRATIS) is to provide cloud-enabled, easy-to-share software workflows to train and deploy AI models for transparency and multi-institutional collaboration. Method STRATIS leverages open source medical image informatics software for application-specific analysis. Jupyter notebooks for AI modeling workflows are provided with Python language as the base kernel. In addition to Python, workflows use software written in other languages, such as MATLAB, GNU-Octave, R, and C++, with the help of bridge libraries. The workflows can be run on a cloud platform, local workstation, or an institutional HPC cluster. Computational environments are provided in the form of publicly available docker images -and build scripts for local Anaconda environments. Utilities provided with STRATIS simplify bookkeeping of associations between imaging objects and allow chaining data processing operations defined via a setting file for AI models. Results Workflows available on STRATIS can be broadly categorized into image segmentation, deformable image registration, and outcomes modeling for radiotherapy toxicity and tumor control using radiomics and dosimetry features. The STRATIS-forge GitHub organization https://www.github.com/stratis-forge hosts build-scripts for Docker and Anaconda as well as Jupyter notebooks for analysis workflows. The software for building environments and workflow notebooks has open source-GNU-GPL copyright, and AI models retain the copyright chosen by their original developers. Conclusion STRATIS enables researchers to deploy and share AI modeling workflows for radiotherapy and image analysis. STRATIS is publicly available on Terra.bio’s FireCloud platform with a pre-deployed computational environment and on GitHub organization for users pursuing local deployment.

Purpose: Radiological cancer imaging features, or radiomics features, can be derived to diagnose disease or predict treatment response. However, variability between vendors, scanners, protocols, and even reconstruction software versions is an obstacle to the clinical use of radiomics features. This study aimed to characterize the impact of kernel reconstruction differences and integral tube current settings on radiomic features extracted from computed tomography (CT) scans. Methods: Radiomic features were extracted from CT scans of a 3D-printed phantom with five imprinted tumors using the CERR software system, resulting in 282 features. Batch effects were assessed via principal component analysis (PCA) and correlation measures. Robustness was measured using the concordance correlation coefficient (CCC) and Pearson correlation coefficient. Statistical analysis was performed using R software. Results: PCA identified two clusters comprised of Standard, ASIRs, ASIRV, and soft kernels in one, and Lung and Bone Kernels in the other. Features displayed a gradient from ASIR10 to ASIR50 and ASIRV1 to ASIRV5 in terms of nearness to Standard Kernel feature values. Feature correlation matrices revealed little change in ASIRs, ASIRVs, and the Standard Kernel, but showed significant changes in Bone and Lung Kernel results. Combat-algorithm correction improved robustness, particularly in first-order statistic features, and mitigated batch effects due to the ASIRs and the standard kernel. Forty (40) out of 282 features were identified as robust. However, Combat-based correction performed poorly in harmonizing Bone and Lung reconstruction kernels. Conclusions: The robustness of means and median radiomic features across kernel reconstruction choices, in contrast to the lack of robustness in many other radiomic features, suggests that kernel reconstruction effects are not well-addressed by current harmonization methods.

Abstract Bladder cancer is the 10th most common and 13th most deadly cancer worldwide, with urothelial carcinomas being the most common type. Distinguishing between non-muscle-invasive bladder cancer (NMIBC) and muscle-invasive bladder cancer (MIBC) is essential due to significant differences in management and prognosis. MRI may play an important diagnostic role in this setting. The Vesical Imaging Reporting and Data System (VI-RADS), a multiparametric MRI (mpMRI)-based consensus reporting platform, allows for standardized preoperative muscle invasion assessment in BCa with proven diagnostic accuracy. However, post-treatment assessment using VI-RADS is challenging because of anatomical changes, especially in the interpretation of the muscle layer. MRI techniques that provide tumor tissue physiological information, including diffusion-weighted (DW)- and dynamic contrast-enhanced (DCE)-MRI, combined with derived quantitative imaging biomarkers (QIBs), may potentially overcome the limitations of BCa evaluation when predominantly focusing on anatomic changes at MRI, particularly in the therapy response setting. Delta-radiomics, which encompasses the assessment of changes (Δ) in image features extracted from mpMRI data, has the potential to monitor treatment response. In comparison to the current Response Evaluation Criteria in Solid Tumors (RECIST), QIBs and mpMRI-based radiomics, in combination with artificial intelligence (AI)-based image analysis, may potentially allow for earlier identification of therapy-induced tumor changes. This review provides an update on the potential of QIBs and mpMRI-based radiomics and discusses the future applications of AI in BCa management, particularly in assessing treatment response. Critical relevance statement Incorporating mpMRI-based quantitative imaging biomarkers, radiomics, and artificial intelligence into bladder cancer management has the potential to enhance treatment response assessment and prognosis prediction. Key Points Quantitative imaging biomarkers (QIBs) from mpMRI and radiomics can outperform RECIST for bladder cancer treatments. AI improves mpMRI segmentation and enhances radiomics feature extraction effectively. Predictive models integrate imaging biomarkers and clinical data using AI tools. Multicenter studies with strict criteria validate radiomics and QIBs clinically. Consistent mpMRI and AI applications need reliable validation in clinical practice. Graphical Abstract

Motivation: Early assessment of response to radiotherapy may be useful to crucial for effectively managing head and neck cancer (HNC). Goal(s): To evaluate the response to radiotherapy in HNC using quantitative 3D T1rho and T2 mapping. Approach: T1rho and T2 mapping was performed on a healthy volunteer and three HNC patients, one of whom was scanned before, during, and after radiotherapy. Results: Significant decrease in T1rho and T2 values of the tumor were observed two weeks after starting and completing radiotherapy. However, the values in other tissues, such as muscles, remained relatively stable across the three scans. Impact: This study evaluates the feasibility of using quantitative T1rho and T2 mapping to assess the treatment response to radiotherapy for head and neck cancer. This information could be valuable in tailoring individualized treatments for patients with head and neck cancer.

Current state-of-the-art models for estimating the pharmacokinetic parameters do not account for intervoxel movement of the contrast agent (CA). We introduce an optimal mass transport (OMT) formulation that naturally handles intervoxel CA movement and distinguishes between advective and diffusive flows. Ten patients with head and neck squamous cell carcinoma (HNSCC) were enrolled in the study between June 2014 and October 2015 and under-went DCE MRI imaging prior to beginning treatment. The CA tissue concentration information was taken as the input in the data-driven OMT model. The OMT approach was tested on HNSCC DCE data that provides quantitative information for forward flux (Φ F ) and backward flux (Φ B ). OMT-derived Φ F was compared with the volume transfer constant for CA, K trans , derived from the Extended Tofts Model (ETM). The OMT-derived flows showed a consistent jump in the CA diffusive behavior across the images in accordance with the known CA dynamics. The mean forward flux was 0.0082 ± 0.0091 (min-1) whereas the mean advective component was 0.0052±0.0086 (min-1) in the HNSCC patients. The diffusive percentages in forward and backward flux ranged from 8.67–18.76% and 12.76–30.36%, respectively. The OMT model accounts for intervoxel CA movement and results show that the forward flux (Φ F ) is comparable with the ETM-derived K trans . This is a novel data-driven study based on optimal mass transport principles applied to patient DCE imaging to analyze CA flow in HNSCC.

Motivation: To advance the field of pharmacokinetic analysis of breast DCE-MRI by developing a model accounting for inter-fluid transport within tumor tissueGoal(s): To develop a novel DCE-MRI pharmacokinetic method to quantify and visualize fluid flows in tumors and identify predictive imaging biomarkers of therapeutic response to neoadjuvant chemotherapy (NACT) in breast cancer. Approach: We developed a mathematical model in computational fluid dynamics termed the unbalanced regularized optimal mass transport (urOMT)Results: Our urOMT model provides fluid transport properties of the tumor using breast DCE-MRI; the urOMT-derived quantitative metrics may be future predictive imaging biomarkers to measure treatment effectiveness in patients treated with NACT. Impact: We developed a novel mathematical model to quantify, track, and visualize fluid flows in tumors with breast DCE-MRI data. The proposed quantitative metrics after validation may serve as predictive imaging biomarkers for breast cancer patients treated with neoadjuvant chemotherapy.

An open-source library of implementations for deep-learning based image segmentation and outcomes models is presented in this work. As oncology treatment planning becomes increasingly driven by automation, such a library of model implementations is crucial to (i) validate existing models on datasets collected at different institutions, (ii) automate segmentation, (iii) create ensembles for improving performance and (iv) incorporate validated models in the clinical workflow. The library was developed with Computational Environment for Radiological Research (CERR) software platform. CERR is a natural choice to centralize model implementations due to its comprehensiveness, popularity, and ease of use. CERR provides well-validated feature extraction for radiotherapy dosimetry and radiomics with fine control over the calculation settings. This allows users to select the appropriate feature calculation used in the model derivation. Models for automatic image segmentation are distributed via Singularity containers, with seamless i/o to and from CERR. Singularity containers allow for segmentation models to be deployed with a variety of scientific computing architectures. Deployment of models is driven by JSON configuration file, making it convenient to plug-in models. Models from the library can be called programmatically for batch evaluation. The library includes implementations for popular radiotherapy models outlined in the Quantitative Analysis of Normal Tissue Effects in the Clinic effort and recently published literature. Radiomics models include features from Image Biomarker Standardization features found to be important across multiple sites and image modalities. Deep learning-based image segmentation models include state of the art networks such as Deeplab and other problem-specific architectures. The library is distributed as GNU-copyrighted software at https://www.github.com/cerr/CERR.