Prostate MRI radiomics for prediction of gleason score
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2021 |
| Tipo de documento: | Dissertação |
| Idioma: | eng |
| Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| Texto Completo: | http://hdl.handle.net/10451/56749 |
Resumo: | Tese de Mestrado, Bioinformática e Biologia Computacional, 2021, Universidade de Lisboa, Faculdade de Ciências |
| id |
RCAP_d99b21a56229ec2855763304a6257e26 |
|---|---|
| oai_identifier_str |
oai:repositorio.ul.pt:10451/56749 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| repository_id_str |
7160 |
| spelling |
Prostate MRI radiomics for prediction of gleason scoreRadiómicaAprendizagem automáticaCancro da PróstataTeses de mestrado - 2021Domínio/Área Científica::Ciências Naturais::Ciências BiológicasTese de Mestrado, Bioinformática e Biologia Computacional, 2021, Universidade de Lisboa, Faculdade de CiênciasO cancro da próstata é um dos cancros mais prevalentes em Portugal, estando entre as 4 principais causas de morte por neoplasias em 2018, com uma taxa bruta de mortalidade de 38.23 mortes por 100 000 homens. O atual diagnóstico e classificação do cancro da próstata não é ideal, baseandose em medidas pouco específicas como os níveis de PSA e DRE, seguidos de biópsia, onde é atribuído um nível de agressivi dade sob a forma da classificação de Gleason. Foi demonstrado no passado que o exame de ressonância magnética multiparamétrica é útil na deteção de lesões de cancro da próstata. No entanto, a interpretação deste exame, sendo um processo subjetivo, está inevitavelmente afetada por uma elevada taxa de variabil idade entre observadores. Foi demonstrado também que a classificação de Gleason atribuída a uma lesão aquando da biópsia, irá provavelmente ser corrigida após prostatectomia radical. Portanto, um método confiável e de preferência não invasivo para classificação do cancro da próstata é necessário. Com este objetivo, esforços têm sido feitos no passado para usar radiómica e aprendizagem automática para prever a classificação de Gleason a partir de imagens clínicas, apresentando resultados promissores. Radiómica é a transformação de imagens médicas em dados quantitativos de alta dimensão. Assim, com base na hipótese de que as características do tumor que são causa ou consequência da classificação de Gleason estão refletidas nas variáveis radiómicas extraídas da imagem de ressonância magnética, estas podem ser usadas para construir modelos de aprendizagem automática capazes de avaliar este parâmetro. Dito isso, o objetivo principal deste trabalho foi desenvolver modelos de aprendizagem automática explorando var iáveis radiómicas extraídas de exames de ressonância magnética para prever a agressividade biológica na forma de classificação de Gleason. Neste trabalho, 288 modelos foram desenvolvidos, correspondendo a diferentes combinações de aspetos de uma pipeline típica, mais especificamente, origem dos dados de treino, estratégia de pre processamento dos dados, método de seleção de variáveis e algoritmo de aprendizagem automática. Num conjunto de 281 lesões (210 para treino, 71 para validação) e 183 pacientes (137 para treino, 46 para vali dação), verificouse que as variáveis radiómicas extraídas do VOI da glândula inteira produziram modelos extremamente mais confiáveis do que as variáveis radiómicas extraídas dos VOIs das lesões. Sugerindo que as áreas em volta das lesões tumorais oferecem informações relevantes sobre a classificação de Glea son que é atribuída a essa lesão. Além de sugerir que o trabalho monótono de segmentação das lesões realizado pelo radiologista pode não ser necessário ou mesmo prejudicar a assinatura radiómica.Prostate cancer is one of the most prevalent cancers in Portugal, being among the top 4 malignant neo plasm causes of death in 2018, with a crude mortality rate of 38.23 deaths per 100 000 males. Prostate cancer diagnosis and classification is not ideal, relying on unspecific measures such as PSA levels and DRE, followed by biopsy, where an aggressiveness level is attributed in the form of Gleason score. Multiparametric MRI has proven to be useful in the detection of prostate cancer. However, it is unavoidably affected by a high rate of interreader variability. It has also been shown that the Gleason score attributed to a lesion after biopsy is likely to change after radical prostatectomy. Therefore, a reliable, and preferably noninvasive, method for classification of PCa is in urgent de mand. With this goal in mind, efforts have been made in the past to use computeraided diagnosis (CAD) coupled with radiomics and machine learning to predict Gleason score from clinical images, showing promising results. Radiomics is the transformation of medical images into high dimension mineable data. Hence, based on the hypothesis that tumour characteristics that are cause or consequence of Gleason score are reflected in the radiomic features extracted from the MRI image, these can be used to build supervised machine learning models capable of assessing this parameter. That being said, the main goal of this work was to develop supervised machine learning models exploiting radiomic features extracted from mpMRI exam inations, to predict biological aggressiveness in the form of Gleason Score. In this work, 288 classifiers were developed, corresponding to different combinations of pipeline aspects, namely, type of input data (i.e. lesion features vs whole gland features), sampling strategy, feature selection method and machine learning algorithm. On a cohort of 281 lesions (210 for training, 71 for validation) and 183 patients (137 for training, 46 for validation), it was found that radiomic features extracted from the whole gland VOI produced extremely more reliable classifiers than radiomic features extracted from the lesions’ VOIs. Suggesting that the areas surrounding the tumour lesions offer relevant information regarding the Gleason Score that is ultimately attributed to that lesion. In addition to suggesting that the monotonous lesion segmentation work performed by radiologists may not be necessary or even be harming to the radiomics signature.Papanikolaou, NickolasCouto, Francisco José MoreiraRepositório da Universidade de LisboaRodrigues, Ana Carolina Vitorino2023-03-21T17:21:09Z202120212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/56749TID:202934586enginfo: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:RCAAP2023-11-08T17:04:41Zoai:repositorio.ul.pt:10451/56749Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:07:18.282917Repositório 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 |
Prostate MRI radiomics for prediction of gleason score |
| title |
Prostate MRI radiomics for prediction of gleason score |
| spellingShingle |
Prostate MRI radiomics for prediction of gleason score Rodrigues, Ana Carolina Vitorino Radiómica Aprendizagem automática Cancro da Próstata Teses de mestrado - 2021 Domínio/Área Científica::Ciências Naturais::Ciências Biológicas |
| title_short |
Prostate MRI radiomics for prediction of gleason score |
| title_full |
Prostate MRI radiomics for prediction of gleason score |
| title_fullStr |
Prostate MRI radiomics for prediction of gleason score |
| title_full_unstemmed |
Prostate MRI radiomics for prediction of gleason score |
| title_sort |
Prostate MRI radiomics for prediction of gleason score |
| author |
Rodrigues, Ana Carolina Vitorino |
| author_facet |
Rodrigues, Ana Carolina Vitorino |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Papanikolaou, Nickolas Couto, Francisco José Moreira Repositório da Universidade de Lisboa |
| dc.contributor.author.fl_str_mv |
Rodrigues, Ana Carolina Vitorino |
| dc.subject.por.fl_str_mv |
Radiómica Aprendizagem automática Cancro da Próstata Teses de mestrado - 2021 Domínio/Área Científica::Ciências Naturais::Ciências Biológicas |
| topic |
Radiómica Aprendizagem automática Cancro da Próstata Teses de mestrado - 2021 Domínio/Área Científica::Ciências Naturais::Ciências Biológicas |
| description |
Tese de Mestrado, Bioinformática e Biologia Computacional, 2021, Universidade de Lisboa, Faculdade de Ciências |
| publishDate |
2021 |
| dc.date.none.fl_str_mv |
2021 2021 2021-01-01T00:00:00Z 2023-03-21T17:21:09Z |
| 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/10451/56749 TID:202934586 |
| url |
http://hdl.handle.net/10451/56749 |
| identifier_str_mv |
TID:202934586 |
| dc.language.iso.fl_str_mv |
eng |
| language |
eng |
| 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_ |
1799134626486157312 |