HS
Heinz-Peter Schlemmer
Author with expertise in Radiomics in Medical Imaging Analysis
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
15
(40% Open Access)
Cited by:
3,101
h-index:
58
/
i10-index:
140
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Radiomic Profiling of Glioblastoma: Identifying an Imaging Predictor of Patient Survival with Improved Performance over Established Clinical and Radiologic Risk Models

Philipp Kickingereder et al.Jun 23, 2016
Purpose To evaluate whether radiomic feature–based magnetic resonance (MR) imaging signatures allow prediction of survival and stratification of patients with newly diagnosed glioblastoma with improved accuracy compared with that of established clinical and radiologic risk models. Materials and Methods Retrospective evaluation of data was approved by the local ethics committee and informed consent was waived. A total of 119 patients (allocated in a 2:1 ratio to a discovery [n = 79] or validation [n = 40] set) with newly diagnosed glioblastoma were subjected to radiomic feature extraction (12 190 features extracted, including first-order, volume, shape, and texture features) from the multiparametric (contrast material–enhanced T1-weighted and fluid-attenuated inversion-recovery imaging sequences) and multiregional (contrast-enhanced and unenhanced) tumor volumes. Radiomic features of patients in the discovery set were subjected to a supervised principal component (SPC) analysis to predict progression-free survival (PFS) and overall survival (OS) and were validated in the validation set. The performance of a Cox proportional hazards model with the SPC analysis predictor was assessed with C index and integrated Brier scores (IBS, lower scores indicating higher accuracy) and compared with Cox models based on clinical (age and Karnofsky performance score) and radiologic (Gaussian normalized relative cerebral blood volume and apparent diffusion coefficient) parameters. Results SPC analysis allowed stratification based on 11 features of patients in the discovery set into a low- or high-risk group for PFS (hazard ratio [HR], 2.43; P = .002) and OS (HR, 4.33; P < .001), and the results were validated successfully in the validation set for PFS (HR, 2.28; P = .032) and OS (HR, 3.45; P = .004). The performance of the SPC analysis (OS: IBS, 0.149; C index, 0.654; PFS: IBS, 0.138; C index, 0.611) was higher compared with that of the radiologic (OS: IBS, 0.175; C index, 0.603; PFS: IBS, 0.149; C index, 0.554) and clinical risk models (OS: IBS, 0.161, C index, 0.640; PFS: IBS, 0.139; C index, 0.599). The performance of the SPC analysis model was further improved when combined with clinical data (OS: IBS, 0.142; C index, 0.696; PFS: IBS, 0.132; C index, 0.637). Conclusion An 11-feature radiomic signature that allows prediction of survival and stratification of patients with newly diagnosed glioblastoma was identified, and improved performance compared with that of established clinical and radiologic risk models was demonstrated. © RSNA, 2016 Online supplemental material is available for this article.
0
Citation358
0
Save
0

Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study

Philipp Kickingereder et al.Apr 2, 2019
Background The Response Assessment in Neuro-Oncology (RANO) criteria and requirements for a uniform protocol have been introduced to standardise assessment of MRI scans in both clinical trials and clinical practice. However, these criteria mainly rely on manual two-dimensional measurements of contrast-enhancing (CE) target lesions and thus restrict both reliability and accurate assessment of tumour burden and treatment response. We aimed to develop a framework relying on artificial neural networks (ANNs) for fully automated quantitative analysis of MRI in neuro-oncology to overcome the inherent limitations of manual assessment of tumour burden. Methods In this retrospective study, we compiled a single-institution dataset of MRI data from patients with brain tumours being treated at Heidelberg University Hospital (Heidelberg, Germany; Heidelberg training dataset) to develop and train an ANN for automated identification and volumetric segmentation of CE tumours and non-enhancing T2-signal abnormalities (NEs) on MRI. Independent testing and large-scale application of the ANN for tumour segmentation was done in a single-institution longitudinal testing dataset from the Heidelberg University Hospital and in a multi-institutional longitudinal testing dataset from the prospective randomised phase 2 and 3 European Organisation for Research and Treatment of Cancer (EORTC)-26101 trial (NCT01290939), acquired at 38 institutions across Europe. In both longitudinal datasets, spatial and temporal tumour volume dynamics were automatically quantified to calculate time to progression, which was compared with time to progression determined by RANO, both in terms of reliability and as a surrogate endpoint for predicting overall survival. We integrated this approach for fully automated quantitative analysis of MRI in neuro-oncology within an application-ready software infrastructure and applied it in a simulated clinical environment of patients with brain tumours from the Heidelberg University Hospital (Heidelberg simulation dataset). Findings For training of the ANN, MRI data were collected from 455 patients with brain tumours (one MRI per patient) being treated at Heidelberg hospital between July 29, 2009, and March 17, 2017 (Heidelberg training dataset). For independent testing of the ANN, an independent longitudinal dataset of 40 patients, with data from 239 MRI scans, was collected at Heidelberg University Hospital in parallel with the training dataset (Heidelberg test dataset), and 2034 MRI scans from 532 patients at 34 institutions collected between Oct 26, 2011, and Dec 3, 2015, in the EORTC-26101 study were of sufficient quality to be included in the EORTC-26101 test dataset. The ANN yielded excellent performance for accurate detection and segmentation of CE tumours and NE volumes in both longitudinal test datasets (median DICE coefficient for CE tumours 0·89 [95% CI 0·86–0·90], and for NEs 0·93 [0·92–0·94] in the Heidelberg test dataset; CE tumours 0·91 [0·90–0·92], NEs 0·93 [0·93–0·94] in the EORTC-26101 test dataset). Time to progression from quantitative ANN-based assessment of tumour response was a significantly better surrogate endpoint than central RANO assessment for predicting overall survival in the EORTC-26101 test dataset (hazard ratios ANN 2·59 [95% CI 1·86–3·60] vs central RANO 2·07 [1·46–2·92]; p<0·0001) and also yielded a 36% margin over RANO (p<0·0001) when comparing reliability values (ie, agreement in the quantitative volumetrically defined time to progression [based on radiologist ground truth vs automated assessment with ANN] of 87% [266 of 306 with sufficient data] compared with 51% [155 of 306] with local vs independent central RANO assessment). In the Heidelberg simulation dataset, which comprised 466 patients with brain tumours, with 595 MRI scans obtained between April 27, and Sept 17, 2018, automated on-demand processing of MRI scans and quantitative tumour response assessment within the simulated clinical environment required 10 min of computation time (average per scan). Interpretation Overall, we found that ANN enabled objective and automated assessment of tumour response in neuro-oncology at high throughput and could ultimately serve as a blueprint for the application of ANN in radiology to improve clinical decision making. Future research should focus on prospective validation within clinical trials and application for automated high-throughput imaging biomarker discovery and extension to other diseases. Funding Medical Faculty Heidelberg Postdoc-Program, Else Kröner-Fresenius Foundation.
0
Citation327
0
Save
0

Classification of Cancer at Prostate MRI: Deep Learning versus Clinical PI-RADS Assessment

Patrick Schelb et al.Oct 8, 2019
Background Men suspected of having clinically significant prostate cancer (sPC) increasingly undergo prostate MRI. The potential of deep learning to provide diagnostic support for human interpretation requires further evaluation. Purpose To compare the performance of clinical assessment to a deep learning system optimized for segmentation trained with T2-weighted and diffusion MRI in the task of detection and segmentation of lesions suspicious for sPC. Materials and Methods In this retrospective study, T2-weighted and diffusion prostate MRI sequences from consecutive men examined with a single 3.0-T MRI system between 2015 and 2016 were manually segmented. Ground truth was provided by combined targeted and extended systematic MRI-transrectal US fusion biopsy, with sPC defined as International Society of Urological Pathology Gleason grade group greater than or equal to 2. By using split-sample validation, U-Net was internally validated on the training set (80% of the data) through cross validation and subsequently externally validated on the test set (20% of the data). U-Net-derived sPC probability maps were calibrated by matching sextant-based cross-validation performance to clinical performance of Prostate Imaging Reporting and Data System (PI-RADS). Performance of PI-RADS and U-Net were compared by using sensitivities, specificities, predictive values, and Dice coefficient. Results A total of 312 men (median age, 64 years; interquartile range [IQR], 58-71 years) were evaluated. The training set consisted of 250 men (median age, 64 years; IQR, 58-71 years) and the test set of 62 men (median age, 64 years; IQR, 60-69 years). In the test set, PI-RADS cutoffs greater than or equal to 3 versus cutoffs greater than or equal to 4 on a per-patient basis had sensitivity of 96% (25 of 26) versus 88% (23 of 26) at specificity of 22% (eight of 36) versus 50% (18 of 36). U-Net at probability thresholds of greater than or equal to 0.22 versus greater than or equal to 0.33 had sensitivity of 96% (25 of 26) versus 92% (24 of 26) (both P > .99) with specificity of 31% (11 of 36) versus 47% (17 of 36) (both P > .99), not statistically different from PI-RADS. Dice coefficients were 0.89 for prostate and 0.35 for MRI lesion segmentation. In the test set, coincidence of PI-RADS greater than or equal to 4 with U-Net lesions improved the positive predictive value from 48% (28 of 58) to 67% (24 of 36) for U-Net probability thresholds greater than or equal to 0.33 (P = .01), while the negative predictive value remained unchanged (83% [25 of 30] vs 83% [43 of 52]; P > .99). Conclusion U-Net trained with T2-weighted and diffusion MRI achieves similar performance to clinical Prostate Imaging Reporting and Data System assessment. © RSNA, 2019 Online supplemental material is available for this article. See also the editorial by Padhani and Turkbey in this issue.
0

Large-scale Radiomic Profiling of Recurrent Glioblastoma Identifies an Imaging Predictor for Stratifying Anti-Angiogenic Treatment Response

Philipp Kickingereder et al.Oct 11, 2016
Antiangiogenic treatment with bevacizumab, a mAb to the VEGF, is the single most widely used therapeutic agent for patients with recurrent glioblastoma. A major challenge is that there are currently no validated biomarkers that can predict treatment outcome. Here we analyze the potential of radiomics, an emerging field of research that aims to utilize the full potential of medical imaging.A total of 4,842 quantitative MRI features were automatically extracted and analyzed from the multiparametric tumor of 172 patients (allocated to a discovery and validation set with a 2:1 ratio) with recurrent glioblastoma prior to bevacizumab treatment. Leveraging a high-throughput approach, radiomic features of patients in the discovery set were subjected to a supervised principal component (superpc) analysis to generate a prediction model for stratifying treatment outcome to antiangiogenic therapy by means of both progression-free and overall survival (PFS and OS).The superpc predictor stratified patients in the discovery set into a low or high risk group for PFS (HR = 1.60; P = 0.017) and OS (HR = 2.14; P < 0.001) and was successfully validated for patients in the validation set (HR = 1.85, P = 0.030 for PFS; HR = 2.60, P = 0.001 for OS).Our radiomic-based superpc signature emerges as a putative imaging biomarker for the identification of patients who may derive the most benefit from antiangiogenic therapy, advances the knowledge in the noninvasive characterization of brain tumors, and stresses the role of radiomics as a novel tool for improving decision support in cancer treatment at low cost. Clin Cancer Res; 22(23); 5765-71. ©2016 AACR.
0
Citation239
0
Save
0

The Value of PSA Density in Combination with PI-RADSTM for the Accuracy of Prostate Cancer Prediction

Florian Distler et al.Mar 31, 2017
Multiparametric magnetic resonance imaging has an emerging role in prostate cancer diagnostics. In addition, clinical information is a reliable predictor of significant prostate cancer. We analyzed whether the negative predictive value of multiparametric magnetic resonance imaging to rule out significant prostate cancer could be improved using clinical factors, especially prostate specific antigen density.A total of 1,040 consecutive men with suspicion of prostate cancer underwent multiparametric magnetic resonance imaging first, followed by transperineal systematic and magnetic resonance imaging-transrectal ultrasound fusion guided biopsy. Logistic regression analyses were performed to test different clinical factors as predictors of significant prostate cancer and build nomograms. To simplify these nomograms for clinical use patients were stratified into 3 prostate specific antigen density groups, including group 1-less than 0.07, group 2-0.07 to 0.15 and group 3-greater than 0.15 ng/ml/ml. After stratification we calculated the negative predictive value of a PI-RADS (Prostate Imaging Reporting and Data System) Likert score of less than 3. Significant prostate cancer was defined as a Gleason score of 3 + 4 or greater. High grade prostate cancer was defined as a Gleason score of 4 + 3 or greater.Overall 451 men were diagnosed with significant prostate cancer, including 187 with a Gleason score of 4 + 3 or greater. On ROC curve analyses the predictive power of the developed nomogram for significant prostate cancer showed a higher AUC than that of PI-RADS alone (0.79 vs 0.75, p <0.001). The negative predictive value of harboring significant prostate cancer increased in men with unsuspicious magnetic resonance imaging from 79% up to 89% when prostate specific antigen density was 0.15 ng/ml/ml or less. In the repeat biopsy setting the negative predictive value of significant prostate cancer increased from 83% to 93%. The negative predictive value to harbor high grade prostate cancer increased from 92% up to 98% in the entire cohort.Using prostate specific antigen density combined with multiparametric magnetic resonance imaging improved the negative predictive value of PI-RADS scoring. By increasing the probability of ruling out significant prostate cancer approximately 20% of unnecessary biopsies could be avoided safely.
0

Comparative Analysis of Transperineal Template Saturation Prostate Biopsy Versus Magnetic Resonance Imaging Targeted Biopsy with Magnetic Resonance Imaging-Ultrasound Fusion Guidance

Jan Radtke et al.Jul 28, 2014
Multiparametric magnetic resonance imaging and magnetic resonance imaging targeted biopsy may improve the detection of clinically significant prostate cancer. However, standardized prospective evaluation is limited.A total of 294 consecutive men with suspicion of prostate cancer (186 primary, 108 repeat biopsies) enrolled in 2013 underwent 3T multiparametric magnetic resonance imaging (T2-weighted, diffusion weighted, dynamic contrast enhanced) without endorectal coil and systematic transperineal cores (median 24) independently of magnetic resonance imaging suspicion and magnetic resonance imaging targeted cores with software registration (median 4). The highest Gleason score from each biopsy method was compared. McNemar's tests were used to evaluate detection rates. Predictors of Gleason score 7 or greater disease were assessed using logistic regression.Overall 150 cancers and 86 Gleason score 7 or greater cancers were diagnosed. Systematic, transperineal biopsy missed 18 Gleason score 7 or greater tumors (20.9%) while targeted biopsy did not detect 11 (12.8%). Targeted biopsy of PI-RADS 2-5 alone overlooked 43.8% of Gleason score 6 tumors. McNemar's tests for detection of Gleason score 7 or greater cancers in both modalities were not statistically significant but showed a trend of superiority for targeted primary biopsies (p=0.08). Sampling efficiency was in favor of magnetic resonance imaging targeted prostate biopsy with 46.0% of targeted biopsy vs 7.5% of systematic, transperineal biopsy cores detecting Gleason score 7 or greater cancers. To diagnose 1 Gleason score 7 or greater cancer, 3.4 targeted and 7.4 systematic biopsies were needed. Limiting biopsy to men with PI-RADS 3-5 would have missed 17 Gleason score 7 or greater tumors (19.8%), demonstrating limited magnetic resonance imaging sensitivity. PI-RADS scores, digital rectal examination findings and prostate specific antigen greater than 20 ng/ml were predictors of Gleason score 7 or greater disease.Compared to systematic, transperineal biopsy as a reference test, magnetic resonance imaging targeted biopsy alone detected as many Gleason score 7 or greater tumors while simultaneously mitigating the detection of lower grade disease. The gold standard for cancer detection in primary biopsy is a combination of systematic and targeted cores.
0

High-Signal Intensity in the Dentate Nucleus and Globus Pallidus on Unenhanced T1-Weighted Images

Alexander Radbruch et al.Oct 31, 2015
Objective The aim of this study was to compare changes in the signal intensity (SI) ratio of the dentate nucleus (DN) to the pons, DN to cerebrospinal fluid (CSF), and globus pallidus (GP) to thalamus on unenhanced T1-weighted magnetic resonance imaging (MRI) scans after serial injections of the macrocyclic gadolinium-based contrast agent gadobutrol. Materials and Methods Thirty patients who had received at least 5 MRI examinations (plus an additional last MRI for reference) with the exclusive use of gadobutrol, resulting in a total cumulative dose of 54.1 ± 30.4 mL gadobutrol, were analyzed retrospectively. Signal intensity ratio differences were calculated for DN-to-pons, DN-to-CSF, and GP-to-thalamus ratios by subtracting the SI ratio at the first MRI from the SI ratio at the last MRI scan. One-sample t tests were employed to examine if they differed from 0. Regression and correlational analyses were performed to examine whether the SI ratio differences were predicted by a number of control variables. Results Signal intensity ratio differences did not differ significantly from 0, neither for the DN-to-pons ratio (−0.0035 ± 0.0476, P = 0.69), the DN-to-CSF ratio (−0.0539 ± 0.3217, P = 0.37), nor the GP-to-thalamus ratio (−0.0020 ± 0.0211, P = 0.60). None of the control variables predicted changes in SI ratios. Conclusions In contrast to a recently published study, we did not find signal increases in the DN or in the GP after serial injections of gadobutrol, even though the total dose applied here was considerably larger than in the respective study. This finding adds further support to the hypothesis that the molecular structure of a gadolinium-based contrast agent as either macrocyclic or linear is a crucial factor for its potential to cause gadolinium deposition in the brain. Future studies should further assess this hypothesis by additional animal investigations as well as histopathological and clinical correlation studies.
Load More