In this study, we evaluated the ability of radiomic textural analysis of intratumoral and peritumoral regions on pretreatment breast cancer dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) to predict pathological complete response (pCR) to neoadjuvant chemotherapy (NAC).A total of 117 patients who had received NAC were retrospectively analyzed. Within the intratumoral and peritumoral regions of T1-weighted contrast-enhanced MRI scans, a total of 99 radiomic textural features were computed at multiple phases. Feature selection was used to identify a set of top pCR-associated features from within a training set (n = 78), which were then used to train multiple machine learning classifiers to predict the likelihood of pCR for a given patient. Classifiers were then independently tested on 39 patients. Experiments were repeated separately among hormone receptor-positive and human epidermal growth factor receptor 2-negative (HR+, HER2-) and triple-negative or HER2+ (TN/HER2+) tumors via threefold cross-validation to determine whether receptor status-specific analysis could improve classification performance.Among all patients, a combined intratumoral and peritumoral radiomic feature set yielded a maximum AUC of 0.78 ± 0.030 within the training set and 0.74 within the independent testing set using a diagonal linear discriminant analysis (DLDA) classifier. Receptor status-specific feature discovery and classification enabled improved prediction of pCR, yielding maximum AUCs of 0.83 ± 0.025 within the HR+, HER2- group using DLDA and 0.93 ± 0.018 within the TN/HER2+ group using a naive Bayes classifier. In HR+, HER2- breast cancers, non-pCR was characterized by elevated peritumoral heterogeneity during initial contrast enhancement. However, TN/HER2+ tumors were best characterized by a speckled enhancement pattern within the peritumoral region of nonresponders. Radiomic features were found to strongly predict pCR independent of choice of classifier, suggesting their robustness as response predictors.Through a combined intratumoral and peritumoral radiomics approach, we could successfully predict pCR to NAC from pretreatment breast DCE-MRI, both with and without a priori knowledge of receptor status. Further, our findings suggest that the radiomic features most predictive of response vary across different receptor subtypes.

Purpose To evaluate ability of radiomic (computer-extracted imaging) features to distinguish non-small cell lung cancer adenocarcinomas from granulomas at noncontrast CT. Materials and Methods For this retrospective study, screening or standard diagnostic noncontrast CT images were collected for 290 patients (mean age, 68 years; range, 18–92 years; 125 men [mean age, 67 years; range, 18–90 years] and 165 women [mean age, 68 years; range, 33–92 years]) from two institutions between 2007 and 2013. Histopathologic analysis was available for one nodule per patient. Corresponding nodule of interest was identified on axial CT images by a radiologist with manual annotation. Nodule shape, wavelet (Gabor), and texture-based (Haralick and Laws energy) features were extracted from intra- and perinodular regions. Features were pruned to train machine learning classifiers with 145 patients. In a test set of 145 patients, classifier results were compared against a convolutional neural network (CNN) and diagnostic readings of two radiologists. Results Support vector machine classifier with intranodular radiomic features achieved an area under the receiver operating characteristic curve (AUC) of 0.75 on the test set. Combining radiomics of intranodular with perinodular regions improved the AUC to 0.80. On the same test set, CNN resulted in an AUC of 0.76. Radiologist readers achieved AUCs of 0.61 and 0.60, respectively. Conclusion Radiomic features from intranodular and perinodular regions of nodules can distinguish non-small cell lung cancer adenocarcinomas from benign granulomas at noncontrast CT. © RSNA, 2018 Online supplemental material is available for this article. See also the editorial by Nishino in this issue.

. Purpose To evaluate nn-Unet-based segmentation models for automated delineation of medulloblastoma (MB) tumors on multi-institutional MRI scans. Materials and Methods This retrospective study included 78 pediatric patients (52 male, 26 female), with ages ranging from 2-18 years, with MB tumors from three different sites (28 from Hospital A, 18 from Hospital B, 32 from Hospital C), who had data from three clinical MRI protocols (gadolinium-enhanced T1-weighted, T2-weighted, FLAIR) available. The scans were retrospectively collected from the year 2000 until May 2019. Reference standard annotations of the tumor habitat, including enhancing tumor, edema, and cystic core + nonenhancing tumor subcompartments, were performed by two experienced neuroradiologists. Preprocessing included registration to age-appropriate atlases, skull stripping, bias correction, and intensity matching. The two models were trained as follows: (1) transfer learning nn-Unet model was pretrained on an adult glioma cohort (

High-grade glioma (HGG) is an aggressive brain tumor. Sex is an important factor that differentially affects survival outcomes in HGG. We used an end-to-end deep learning approach on hematoxylin and eosin (H&E) scans to (i) identify sex-specific histopathological attributes of the tumor microenvironment (TME), and (ii) create sex-specific risk profiles to prognosticate overall survival. Surgically resected H&E-stained tissue slides were analyzed in a two-stage approach using ResNet18 deep learning models, first, to segment the viable tumor regions and second, to build sex-specific prognostic models for prediction of overall survival. Our mResNet-Cox model yielded C-index (0.696, 0.736, 0.731, and 0.729) for the female cohort and C-index (0.729, 0.738, 0.724, and 0.696) for the male cohort across training and three independent validation cohorts, respectively. End-to-end deep learning approaches using routine H&E-stained slides, trained separately on male and female patients with HGG, may allow for identifying sex-specific histopathological attributes of the TME associated with survival and, ultimately, build patient-centric prognostic risk assessment models.

Abstract Following radiation therapy, a significant challenge in brain metastases (BM) management is differentiating radiation-induced-treatment effect (TrE) from tumor recurrence (TuR). TrE can be indistinguishable from TuR using conventional MRI. Advanced imaging techniques (e.g., perfusion MRI, PET/MRI) are not consistently used, and the standardized Response Assessment in Neuro-Oncology for brain metastases (RANO-BM) is sensitive to inter-reader variability. The performance of an artificial intelligence (AI)-driven risk-of-progression (AiRiP) classifier, which has been shown to capture pathophysiologic differences between TrE and TuR on routine MRI, was compared to that of clinical assessments and advanced imaging methods, in a multi-institutional setting. A total of n=261 lesions with pathologically-confirmed diagnoses in n=189 patients were analyzed. 115 lesions (73 TuR, 42 TrE) from site 1, 86 lesions (38 TuR, 48 TrE) from site 2, and 60 lesions (33 TuR, 27 TrE) from site 3 were used for training and testing the AiRiP-model. Gd-T1w, T2w, FLAIR MRI were preprocessed, and lesions were segmented by experts. Texture features (n=856) were extracted from each lesion. Random-forest classifier was employed for 3-fold cross-validation. Top-performing AiRiP-features, RANO-BM criteria, perfusion MRI and PET/MRI were evaluated in a sub-group analysis. For n=51 lesions on the test-set (site 3), 14 were classified as stable disease and 37 as TuR using RANO-BM (accuracy=54.1%). AiRiP-model achieved an accuracy of 76.5% on the same test-set and accurately classified 78.6% of the stable lesions as TrE or TuR. For another subset of lesions (n=27) on the same test-set, perfusion MRI and AiRiP-model achieved an accuracy of 59.3% and 70.4%, respectively. Lastly, for a subset of lesions (n=35) on the test-set (site 2), multimodal (perfusion, PET) imaging and AiRiP-model accurately classified 60% and 74.3% of lesions, respectively. 15 lesions were considered indeterminate via multimodal imaging, 73.3% of which AiRiP-model accurately classified as TrE or TuR. Our results suggest AI-driven models on conventional MRI may reliably distinguish TuR from TrE.

Abstract BACKGROUND One key determinate in the treatment pathway for pediatric medulloblastoma (MB), the most frequent malignant brain tumor in children, is accurate risk-stratification. MB tumors are classified as standard- or high-risk based on current approaches (Chang’s/molecular stratification). However, there is still a need for additional attributes towards reliable risk-stratification. This work presents a radiomic-based approach that combines textural- and morphological-based attributes to risk-stratify MB patients. Our rationale is that coupling texture and morphology attributes from the intra-tumoral regions that quantify the heterogeneity and disorderly nature of aggressive tumors can transcend the current clinical approaches in accurately stratifying tumors into high- and standard-risk. METHODS T1-weighted MRI scans of 119 MB patients (2–18 years) were collected from Cincinnati Children’s Hospital Medical Center (Site1-n=42), Children’s Hospital Los Angeles (Site2-n=47), and Children’s Hospital of Philadelphia (Site3-n=30), used interchangeably for training and testing. Following preprocessing and performing annotations for the enhancing lesion and edema sub-compartments, 232 textural and morphological features were extracted from each sub-compartment. Namely, 214 textural (gradient, Haralick, intensity, Gabor, Laws, entropy) as well as 34 morphological (4 surface-based (e.g., curvedness and sharpness), 18 global (e.g., roundness, elongation, compactness, flatness)) features were extracted. Features were then fed into Elastic-Net regression models for survival analysis. RESULTS Our analysis revealed that texture and morphology features, combined, yielded Concordance index (CI) and p-value of 0.52, 0.0001, respectively, for the enhancing lesion, using Sites1,3 for training, and CI=0.61, p=0.0065 using Site3 for testing. Additionally, for edema, CI and p-value of 0.514, 0.0001 were obtained when employing Sites2,3 for training and CI=0.61, p=0.00096 using Site1 for testing. Results were not significant when using Chang’s or molecular stratification alone for survival analysis. CONCLUSIONS Our study shows that radiomic-based morphological and textural features show promise towards reliable MB risk-stratification.

Motivation: Neighborhood disadvantage measured using an area deprivation index(ADI) has shown to impact cognitive outcomes,with alterations in regional volumetric and cortical assessment. Connectivity based approaches could further identify cortical network patterns associated with cognitive decline and neighborhood disadvantageGoal(s): We evaluated associations between neighborhood disadvantage,cognitive impairment and changes in morphological similarity network(MSN)features. Approach: For unimpaired cohort(n=297)with lowest and highest ADI ranks,cortical thickness based MSN features were computed and associations between ADI,cognitive performance and network features were assessed using linear regression and mediation analysisResults: Disorganization of frontoparietal regions was associated with ADI and demonstrated marginal mediating effect between cognitive impairment and neighborhood disadvantage status. Impact: Our findings of association between neighborhood disadvantage status and cortical disorganization in Alzheimer’s-related fronto-parietal brain regions, support the impact of neighborhood disadvantage on cognitive outcomes, and provide a connectivity based mechanism that may explain risk for cognitive decline and dementia.

Abstract BACKGROUND A significant challenge in medulloblastoma (MB), the most frequent malignant brain tumor in children, is to accurately identify ‘average-risk’ patients who may benefit from therapy de-escalation without affecting treatment outcomes, from ‘high-risk’ patients. Unfortunately, the current clinical risk-assessment approaches (Chang/molecular stratification) are sub-optimal in reliable risk-stratification in MB. This work evaluates the hypothesis that infiltration in aggressive tumors manifests as deformations (shifts) with larger magnitudes and positive orientations (angles) in the surrounding healthy tissue, on MRI scans, compared to average-risk tumors (smaller shift magnitudes and negative orientations). The proposed imaging marker, complementary with current approaches, may allow for more reliable risk-stratification. METHODS T1-weighted MRI scans of MB patients (2–18 years) were collected from Cincinnati Children’s Hospital Medical Center (Site1-training) (n=42) and Children’s Hospital Los Angeles (Site2-testing) (n=45). Preprocessing and annotations for the edema sub-compartment were performed. Scans were mapped to age-specific atlases using diffeomorphic registration and inverse transformations were employed to obtain the deformations. Deformation magnitudes (DefMag) were extracted within equidistant bands outside the edema by calculating the Euclidean norm of deformations, generating a magnitude statistics vector (median, skewness, kurtosis, mean, standard-deviation). Angles/Orientations (Defθ) were computed between deformation vectors and vectors connecting each voxel to the tumor’s centroid, then quantized to 6 intervals, creating an orientation vector per band. Deformation magnitudes and angles (DefMag+θ) were employed with Chang and molecular stratification within regression models for risk-stratification. RESULTS Our analysis demonstrated that deformation features, complementing molecular and Chang’s stratification, yielded best results for risk-stratification. Employing DefMag+θ+Chang+molecular on training yielded Concordance-index (CI) of 0.56, p=0.0014 (CI=0.6,p=0.03 testing). DefMag+θ+Chang’s yielded CI=0.64, p<0.0001 on training (CI=0.54,p=0.04 testing). Results were not significant when employing Chang’s or molecular classification alone. CONCLUSIONS Our results suggest that radiomic deformation features, complementing clinical and molecular approaches, may enable reliable risk-stratification in pediatric MB.