Analysis of non-invasive imaging data using self-organising maps for characterization of tumour physiological and biochemical properties

• Autor(a) principal: Madeira, Mariana Simões
• Data de Publicação: 2012
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10316/25129
• topic: Radionuclídeo; Tomografia por emissão de positrões; Tumores

Nos dias de hoje a informática aplicada à investigação em cancro é de grande importância. Neste trabalho, técnicas de aprendizagem não supervisionada e supervisionada foram aplicadas a dados de [18F]Fluorotimidina – Tomografia por Emissão de Positrões ([18F]FLT-PET). Como aprendizagem supervisionada usámos um filtro chamado Filtro Cinético Espacial (KSF) desenvolvido no Imperial College que é baseado na captação do radiofármaco ([18F]FLT) que difere de tecido para tecido. É um filtro capaz de separar tumor e vértebra dos restantes tecidos. Contudo, quando aplicado a imagens de ratinhos implantados com linhas celulares de cancro de HCT116, mesmo quando curvas de actividade ao longo do tempo do próprio ratinho foram usadas como modelo, este não conseguiu obter os mesmos resultados que obtivemos na análise de dados de um paciente com cancro no pâncreas com metastases no fígado onde o filtro foi capaz de distinguir o tumor dos órgãos circundantes. Esta análise pretende ser usada para detectar resposta precoce depois de um ciclo de tratamentos. Como aprendizagem não supervisionada usámos Self-Organizing Maps (SOM). Aplicámos este algoritmo em dados de [18F]FLT-PET de ratinhos. Primeiro aplicámos SOM na análise de dados de HCT116. O objectivo foi alcançado com sucesso, uma vez que os mapas finais conseguiram diferenciar imagens de pré das de pós tratamento. Numa segunda aplicação, usámos SOM com dados de ratinhos implatados com linhas celulares de A2780, SJSA, SN40R2 e HT29 para ver se este conseguia distinguir e classificar os tumores. Conseguimos apenas distinguir SJSA das restantes linhas celulares. Em ambos os estudos, dados de input de SOM eram voxels obtidos de regiões de interesse: tumor, músculo, bexiga, coração e rim. Características dos mapas finais são os padrões de clustering dos voxels de cada tecido. No resultado final, o SOM conseguiu os seguintes clusters: tumor, músculo e bexiga num cluster e coração e rins noutro mais difuso. Quando aplicámos SOM apenas a ROIs sobre os tumores, a separação entre diferentes tumores foi apenas parcialmente conseguida. Numa terceira aplicação usámos este método de classificação nos dados da paciente, para ver se este conseguia distinguir entre pré o pós tratamento, no sentido de poder avaliar se o paciente estaria a responder ou não ao tratamento. Descobrimos que o x algoritmo era capaz efectuar esta tarefa. Aqui o algoritmo agrupou fígado, tumor, vértebra e rins e colocou o coração noutro cluster.