Glioblastoma (GBM) brain tumor is the most aggressive white matter (WM) invasive cerebral primary neoplasm. Due to its inherently heterogeneous appearance and shape, previous studies pursued either the segmentation precision of the tumors or qualitative analysis of the impact of brain tumors on WM integrity with manual delineation of tumors. This paper aims to develop a comprehensive analytical pipeline, called (TS)2WM, to integrate both the superior performance of brain tumor segmentation and the impact of GBM tumors on the WM integrity via tumor segmentation and tract statistics using the diffusion tensor imaging (DTI) technique. The (TS)2WM consists of three components: (i) A dilated densely connected convolutional network (D2C2N) for automatically segment GBM tumors. (ii) A modified structural connectome processing pipeline to characterize the connectivity pattern of WM bundles. (iii) A multivariate analysis to delineate the local and global associations between different DTI-related measurements and clinical variables on both brain tumors and language-related regions of interest. Among those, the proposed D2C2N model achieves competitive tumor segmentation accuracy compared with many state-of-the-art tumor segmentation methods. Significant differences in various DTI-related measurements at the streamline, weighted network, and binary network levels (e.g., diffusion properties along major fiber bundles) were found in tumor-related, language-related, and hand motor-related brain regions in 62 GBM patients as compared to healthy subjects from the Human Connectome Project.

中文翻译：

---

(TS)2WM：用于评估白质完整性并应用于胶质母细胞瘤患者的肿瘤分割和道统计

胶质母细胞瘤 (GBM) 脑肿瘤是最具侵袭性的白质 (WM) 侵袭性脑原发性肿瘤。由于其固有的异质外观和形状，以前的研究要么追求肿瘤的分割精度，要么通过手动描绘肿瘤来定性分析脑肿瘤对 WM 完整性的影响。本文旨在开发一个名为 (TS)2WM 的综合分析管道，通过使用扩散张量成像 (DTI) 的肿瘤分割和束统计，将脑肿瘤分割的优越性能和 GBM 肿瘤对 WM 完整性的影响结合起来。技术。(TS)2WM 由三个部分组成：(i) 一个扩张的密集连接的卷积网络 (D2C2N)，用于自动分割 GBM 肿瘤。(ii) 一种改进的结构连接组处理管道，用于表征 WM 束的连接模式。(iii) 多变量分析，以描述不同 DTI 相关测量值与脑肿瘤和语言相关感兴趣区域的临床变量之间的局部和全局关联。其中，与许多最先进的肿瘤分割方法相比，所提出的 D2C2N 模型实现了具有竞争力的肿瘤分割精度。在 62 GBM 的肿瘤相关、语言相关和手部运动相关大脑区域中发现了流线、加权网络和二元网络级别（例如，沿主要纤维束的扩散特性）的各种 DTI 相关测量值的显着差异与来自人类连接组计划的健康受试者相比。(iii) 多变量分析，以描述不同 DTI 相关测量值与脑肿瘤和语言相关感兴趣区域的临床变量之间的局部和全局关联。其中，与许多最先进的肿瘤分割方法相比，所提出的 D2C2N 模型实现了具有竞争力的肿瘤分割精度。在 62 GBM 的肿瘤相关、语言相关和手部运动相关大脑区域中发现了流线、加权网络和二元网络级别（例如，沿主要纤维束的扩散特性）的各种 DTI 相关测量值的显着差异与来自人类连接组计划的健康受试者相比。(iii) 多变量分析，以描述不同 DTI 相关测量值与脑肿瘤和语言相关感兴趣区域的临床变量之间的局部和全局关联。其中，与许多最先进的肿瘤分割方法相比，所提出的 D2C2N 模型实现了具有竞争力的肿瘤分割精度。在 62 GBM 的肿瘤相关、语言相关和手部运动相关大脑区域中发现了流线、加权网络和二元网络级别（例如，沿主要纤维束的扩散特性）的各种 DTI 相关测量值的显着差异与来自人类连接组计划的健康受试者相比。