Avaliação radiómica em TC torácica de pacientes com COVID-19
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10773/33032 |
Resumo: | Tem existido um grande interesse nos estudos radiómicos com o intuito de aumentar a capacidade diagnóstica e prognóstica com base em informação quantitativa extraída de estudos imagiológicos. O surgimento de um novo vírus, o SARS-CoV-2, que provoca a doença designada COVID-19, sugeriu a aplicação da radiómica às imagens de Tomografia Computorizada (TC) do tórax de pacientes com esta doença numa abordagem semelhante à que já existe na área da oncologia na procura de biomarcadores imagiológicos de massas pulmonares. Neste caso, trata-se de investigar a existência de características radiómicas nos padrões de lesão provocados pelo vírus que possam contribuir para um melhor diagnóstico ou prognóstico da doença. O objetivo do nosso estudo é, assim, testar a capacidade diagnóstica e prognóstica das características radiómicas extraídas de exames de TC do tórax de pacientes com COVID-19 e com outras pneumonias não atribuídas a SARS-CoV-2, sendo para isso utilizado um classificador Random Forest. Um dos objetivos foi de testar a capacidade de o classificador diferenciar a patologia COVID-19 de outras pneumonias, e observar quais as características radiómicas mais significativas nesta diferenciação. O classificador foi também testado na sua capacidade de prever a evolução da doença no sentido de tornar-se necessário o recurso a cuidados intensivos, ou a internamento superior a 12 dias e ainda de prever o desfecho (alta/óbito). Foi utilizada uma base de dados constituída por uma amostra de 100 pacientes com diagnóstico de COVID-19 e outra base de dados de 20 pacientes com outras pneumonias. Todos os pacientes foram sujeitos a um estudo de TC torácico. Para a extração dos dados radiómicos foram utilizadas técnicas de segmentação automática, semiautomática e manual implementadas no software MeVisLab e as características radiómicas das regiões pulmonares segmentadas foram obtidas pelo software LIFEx. A segmentação automática e até semiautomática das regiões pulmonares em casos de patologia moderada a severa é particularmente desafiante. Para garantir a minimização dos erros de segmentação optou-se pela segmentação interativa baseada na técnica live-wire numa abordagem corte a corte. Os resultados obtidos foram bastante significativos, sobretudo no que diz respeito à classificação COVID-19 vs. outras pneumonias, corroborando os resultados obtidos noutros estudos publicados muito recentemente. Verificou-se também que as técnicas utilizadas devem ser objeto de aperfeiçoamento, uma vez que são muito consumidoras de tempo sobretudo no que toca à segmentação de imagens. |
id |
RCAP_03bf7edafeecebd8d64eb4cd128ff855 |
---|---|
oai_identifier_str |
oai:ria.ua.pt:10773/33032 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Avaliação radiómica em TC torácica de pacientes com COVID-19COVID-19Tomografia computorizadaSegmentação pulmonarRadiómicaAprendizagem automáticaTem existido um grande interesse nos estudos radiómicos com o intuito de aumentar a capacidade diagnóstica e prognóstica com base em informação quantitativa extraída de estudos imagiológicos. O surgimento de um novo vírus, o SARS-CoV-2, que provoca a doença designada COVID-19, sugeriu a aplicação da radiómica às imagens de Tomografia Computorizada (TC) do tórax de pacientes com esta doença numa abordagem semelhante à que já existe na área da oncologia na procura de biomarcadores imagiológicos de massas pulmonares. Neste caso, trata-se de investigar a existência de características radiómicas nos padrões de lesão provocados pelo vírus que possam contribuir para um melhor diagnóstico ou prognóstico da doença. O objetivo do nosso estudo é, assim, testar a capacidade diagnóstica e prognóstica das características radiómicas extraídas de exames de TC do tórax de pacientes com COVID-19 e com outras pneumonias não atribuídas a SARS-CoV-2, sendo para isso utilizado um classificador Random Forest. Um dos objetivos foi de testar a capacidade de o classificador diferenciar a patologia COVID-19 de outras pneumonias, e observar quais as características radiómicas mais significativas nesta diferenciação. O classificador foi também testado na sua capacidade de prever a evolução da doença no sentido de tornar-se necessário o recurso a cuidados intensivos, ou a internamento superior a 12 dias e ainda de prever o desfecho (alta/óbito). Foi utilizada uma base de dados constituída por uma amostra de 100 pacientes com diagnóstico de COVID-19 e outra base de dados de 20 pacientes com outras pneumonias. Todos os pacientes foram sujeitos a um estudo de TC torácico. Para a extração dos dados radiómicos foram utilizadas técnicas de segmentação automática, semiautomática e manual implementadas no software MeVisLab e as características radiómicas das regiões pulmonares segmentadas foram obtidas pelo software LIFEx. A segmentação automática e até semiautomática das regiões pulmonares em casos de patologia moderada a severa é particularmente desafiante. Para garantir a minimização dos erros de segmentação optou-se pela segmentação interativa baseada na técnica live-wire numa abordagem corte a corte. Os resultados obtidos foram bastante significativos, sobretudo no que diz respeito à classificação COVID-19 vs. outras pneumonias, corroborando os resultados obtidos noutros estudos publicados muito recentemente. Verificou-se também que as técnicas utilizadas devem ser objeto de aperfeiçoamento, uma vez que são muito consumidoras de tempo sobretudo no que toca à segmentação de imagens.There has been a great interest in radiomics studies aiming at the increase of the diagnostic and prognostic capability based on quantitative information extracted from imaging studies. The emergence of a new virus, SARS-CoV-2, which causes the disease known as COVID-19, suggested the application of radiomics to Computed Tomography (CT) images of the chest of patients with this disease, in an approach similar to the one that already existed in the field of oncology in search for imaging biomarkers of lung masses. In this case, it is a question of investigating the existence of radiological features in the patterns of lesions caused by the virus that may contribute to a better diagnosis or prognosis of the disease. The aim of our study is, therefore, to test the diagnostic and prognostic capability of radiomic features extracted from CT scans of the chest of patients with COVID-19 and with other pneumonias not due to SARS-CoV-2, using a Random Forest classifier. One of the objectives was to test the classifier's ability to differentiate the COVID-19 pathology from other pneumonias, and to observe which radiological features are most significant in this differentiation. The classifier was also tested in its ability to predict the evolution of the disease in the sense of requiring the use of intensive care, or hospitalization for more than 12 days, and also to predict the outcome (discharge/death). A database consisting of a sample of 100 patients diagnosed with COVID-19 and another database of 20 patients with other pneumonias were used. All patients underwent a thoracic CT study. For the extraction of radiomic data, automatic, semi-automatic and manual segmentation techniques were used, implemented in the MeVisLab software, and the radiomic characteristics of the segmented pulmonary regions were obtained by the LIFEx software. Automatic or even semi-automatic segmentation of pulmonary regions showing moderate to severe pathology signs is particularly challenging. To ensure minimal segmentation error an interactive method based on live-wire technique was applied on a slice-by-slice approach. The results obtained were quite significant, especially with regard to the classification of COVID-19 vs. other pneumonias, corroborating the results obtained in other studies published very recently. It was also found that the techniques used should be subject of improvement, since they are very time consuming, especially when it comes to image segmentation.2022-01-26T15:16:26Z2021-12-13T00:00:00Z2021-12-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10773/33032porAmaro, João Paulo da Fonsecainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-22T12:03:32Zoai:ria.ua.pt:10773/33032Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:04:32.514093Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
title |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
spellingShingle |
Avaliação radiómica em TC torácica de pacientes com COVID-19 Amaro, João Paulo da Fonseca COVID-19 Tomografia computorizada Segmentação pulmonar Radiómica Aprendizagem automática |
title_short |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
title_full |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
title_fullStr |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
title_full_unstemmed |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
title_sort |
Avaliação radiómica em TC torácica de pacientes com COVID-19 |
author |
Amaro, João Paulo da Fonseca |
author_facet |
Amaro, João Paulo da Fonseca |
author_role |
author |
dc.contributor.author.fl_str_mv |
Amaro, João Paulo da Fonseca |
dc.subject.por.fl_str_mv |
COVID-19 Tomografia computorizada Segmentação pulmonar Radiómica Aprendizagem automática |
topic |
COVID-19 Tomografia computorizada Segmentação pulmonar Radiómica Aprendizagem automática |
description |
Tem existido um grande interesse nos estudos radiómicos com o intuito de aumentar a capacidade diagnóstica e prognóstica com base em informação quantitativa extraída de estudos imagiológicos. O surgimento de um novo vírus, o SARS-CoV-2, que provoca a doença designada COVID-19, sugeriu a aplicação da radiómica às imagens de Tomografia Computorizada (TC) do tórax de pacientes com esta doença numa abordagem semelhante à que já existe na área da oncologia na procura de biomarcadores imagiológicos de massas pulmonares. Neste caso, trata-se de investigar a existência de características radiómicas nos padrões de lesão provocados pelo vírus que possam contribuir para um melhor diagnóstico ou prognóstico da doença. O objetivo do nosso estudo é, assim, testar a capacidade diagnóstica e prognóstica das características radiómicas extraídas de exames de TC do tórax de pacientes com COVID-19 e com outras pneumonias não atribuídas a SARS-CoV-2, sendo para isso utilizado um classificador Random Forest. Um dos objetivos foi de testar a capacidade de o classificador diferenciar a patologia COVID-19 de outras pneumonias, e observar quais as características radiómicas mais significativas nesta diferenciação. O classificador foi também testado na sua capacidade de prever a evolução da doença no sentido de tornar-se necessário o recurso a cuidados intensivos, ou a internamento superior a 12 dias e ainda de prever o desfecho (alta/óbito). Foi utilizada uma base de dados constituída por uma amostra de 100 pacientes com diagnóstico de COVID-19 e outra base de dados de 20 pacientes com outras pneumonias. Todos os pacientes foram sujeitos a um estudo de TC torácico. Para a extração dos dados radiómicos foram utilizadas técnicas de segmentação automática, semiautomática e manual implementadas no software MeVisLab e as características radiómicas das regiões pulmonares segmentadas foram obtidas pelo software LIFEx. A segmentação automática e até semiautomática das regiões pulmonares em casos de patologia moderada a severa é particularmente desafiante. Para garantir a minimização dos erros de segmentação optou-se pela segmentação interativa baseada na técnica live-wire numa abordagem corte a corte. Os resultados obtidos foram bastante significativos, sobretudo no que diz respeito à classificação COVID-19 vs. outras pneumonias, corroborando os resultados obtidos noutros estudos publicados muito recentemente. Verificou-se também que as técnicas utilizadas devem ser objeto de aperfeiçoamento, uma vez que são muito consumidoras de tempo sobretudo no que toca à segmentação de imagens. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-13T00:00:00Z 2021-12-13 2022-01-26T15:16:26Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10773/33032 |
url |
http://hdl.handle.net/10773/33032 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137700528259072 |