An optimization approach to white matter brain tumor resection

Mevcut klinik uygulamalarda beyin tümörlerin maksimum düzeyde çıkarılması hedeflenmektedir; ancak bu süreçte beyin fonksiyonlarının korunması sistematik bir yaklaşıma dayanmamaktadır. Bu problemi ele almak amacıyla, belirli bir eşik değerin üzerindeki tümörlü bölgeleri çıkarırken beyin ağının işlevselliğini maksimize etmeyi hedefleyen matematiksel bir optimizasyon modeli geliştirdik. Ağ işlevselliği, Global Efficiency (GE) metriği kullanılarak nicelenmiştir. Model, çıkarılan alanın klinik açıdan gerçekşi bir şekilde bağlı bir bölge oluşturmasını sağlamak amacıyla Komşuluk kısıtlarını içermektedir. Modelin hesaplama verimliliğini artırmak için, benzer özelliklere sahip düğümlerin toplulaştırıldığı(aggregation) bir sezgisel yöntem tanıttık. Gerçek sağlıklı gri ve beyaz madde ağı verisini kullanarak sentetik tümör örnekleri oluşturduk ve bu tümörlerin beyin ağını bozucu etkisini optimizasyon modeliyle belirledik. Toplulaştırma sezgisinin orijinal modele benzer sonuçlar verirken hesaplama süresini büyük ölçüde azalttığını gösterdik. Tümör boyutu arttıkça, henüz hiç bölge çıkarılmadan dahi beyin ağında daha fazla bozulma meydana geldiğini ve aynı eşiklerde daha düşük global verimlilik değerleri gözlendiğini belirledik. Ayrıca, tümör konumu analizlerinde, beynin merkezine yerleşmiş tümörlerin, aynı hacim çıkarıldığında dış bölgedeki tümörlere göre daha fazla global verimlilik azalmasına yol açtığını gösterdik. Son olarak, Hacettepe Üniversitesi'nde elde edilen gerçek bir tümör örneği üzerinde modelimizi test ettik. En iyi olasılıkla planlanan rezeksiyon ile en kötü senaryo arasında karşılaştırmalar yapıldı ve modelimizin beyin ağı verimliliğini anlamlı bir farkla daha iyi koruduğu gösterildi.