Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença

Detalhes bibliográficos
Autor(a) principal: Borges, Pedro Henrique de Marco
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-28052020-162040/
Resumo: Tumores sólidos são temporalmente heterogêneos. O padrão desta heterogeneidade tem sido estudado através da extração de características quantitativas de imagens médicas sofisticadas, como as imagens de ressonância magnética (IRM). Essas características podem se relacionar com os padrões genéticos do tumor e consequentemente com a resposta ao tratamento. Um dos exemplos mais estudados de tumor com alta heterogeneidade é o glioblastoma multiforme (GBM). Essa característica limita o uso de biópsias invasivas para caracterização do tecido, porém, diversos estudos sobre a caracterização da heterogeneidade dessas lesões de forma não invasiva têm sido realizados. GBM possui um mau prognóstico devido à alta recorrência da lesão. A sobrevida média dos pacientes é de 14 meses, quando o tratamento padrão é realizado. Diante deste cenário, é necessário que se faça uma precisa escolha do tratamento para não prejudicar a qualidade de vida do paciente. Neste contexto, o presente trabalho tem como objetivo principal extrair informações quantitativas de IRM de pacientes com GBM que foram submetidos ao tratamento radioterápico, através de processamento de imagens para correlaciona-las com determinados prognósticos da doença. A metodologia desse estudo consistiu em extrair 105 características quantitativas por Radiomics do volume de tumor presente em IRM ponderadas em T1 após administração de contraste de 43 pacientes submetidos à radioterapia no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto. O software usado para essa extração foi o 3D Slicer - um software gratuito de processamento de imagens. Além disso, os desfechos clínicos ou endpoints desses pacientes em termos de tempo para sobrevida global (SG), sobrevida livre da progressão da doença (SLPD) e recorrência na borda do campo de tratamento (RECURR) também foram coletados. Testes estatísticos (Shapiro-Wilk e teste t de Student) foram aplicados para determinar quais características se relacionavam de maneira significativa com determinados endpoints. Como resultado observou-se que, para o endpoint SLPD em até 3 meses, a característica Radiomics Kurtosis obteve o melhor resultado na separação dos grupos de pacientes com desfecho clínico 1 e 0 (representação binária para pacientes que recidivaram e não recidivaram dentro de 3 meses, respectivamente), com uma acurácia de 69%. Para essa mesma característica, aplicou-se um classificador baseado em Regressão Logística e obteve-se uma área sobre a curva - AUC - de 75%. Com base na revisão bibliográfica de trabalhos envolvendo endpoints, Radiomics e GBM, replicamos um trabalho no qual utilizou uma técnica de redução de dimensionalidade baseada na correlação de Spearman para criação de um modelo preditivo utilizando árvores de decisão e obtivemos um resultado consistente com o proposto de 62,8% de acurácia no modelo preditivo para o endpoint RECURR.
id USP_8af29923bd9e79af94731c57b62546de
oai_identifier_str oai:teses.usp.br:tde-28052020-162040
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doençaTexture analysis in patients with glioblastoma multiform lesion to correlation with disease prognosisAprendizado de máquinaGlioblastoma multiformGlioblastoma multiformeKurtosisKurtosisMachine learningRadiomicsRadiomicsTumores sólidos são temporalmente heterogêneos. O padrão desta heterogeneidade tem sido estudado através da extração de características quantitativas de imagens médicas sofisticadas, como as imagens de ressonância magnética (IRM). Essas características podem se relacionar com os padrões genéticos do tumor e consequentemente com a resposta ao tratamento. Um dos exemplos mais estudados de tumor com alta heterogeneidade é o glioblastoma multiforme (GBM). Essa característica limita o uso de biópsias invasivas para caracterização do tecido, porém, diversos estudos sobre a caracterização da heterogeneidade dessas lesões de forma não invasiva têm sido realizados. GBM possui um mau prognóstico devido à alta recorrência da lesão. A sobrevida média dos pacientes é de 14 meses, quando o tratamento padrão é realizado. Diante deste cenário, é necessário que se faça uma precisa escolha do tratamento para não prejudicar a qualidade de vida do paciente. Neste contexto, o presente trabalho tem como objetivo principal extrair informações quantitativas de IRM de pacientes com GBM que foram submetidos ao tratamento radioterápico, através de processamento de imagens para correlaciona-las com determinados prognósticos da doença. A metodologia desse estudo consistiu em extrair 105 características quantitativas por Radiomics do volume de tumor presente em IRM ponderadas em T1 após administração de contraste de 43 pacientes submetidos à radioterapia no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto. O software usado para essa extração foi o 3D Slicer - um software gratuito de processamento de imagens. Além disso, os desfechos clínicos ou endpoints desses pacientes em termos de tempo para sobrevida global (SG), sobrevida livre da progressão da doença (SLPD) e recorrência na borda do campo de tratamento (RECURR) também foram coletados. Testes estatísticos (Shapiro-Wilk e teste t de Student) foram aplicados para determinar quais características se relacionavam de maneira significativa com determinados endpoints. Como resultado observou-se que, para o endpoint SLPD em até 3 meses, a característica Radiomics Kurtosis obteve o melhor resultado na separação dos grupos de pacientes com desfecho clínico 1 e 0 (representação binária para pacientes que recidivaram e não recidivaram dentro de 3 meses, respectivamente), com uma acurácia de 69%. Para essa mesma característica, aplicou-se um classificador baseado em Regressão Logística e obteve-se uma área sobre a curva - AUC - de 75%. Com base na revisão bibliográfica de trabalhos envolvendo endpoints, Radiomics e GBM, replicamos um trabalho no qual utilizou uma técnica de redução de dimensionalidade baseada na correlação de Spearman para criação de um modelo preditivo utilizando árvores de decisão e obtivemos um resultado consistente com o proposto de 62,8% de acurácia no modelo preditivo para o endpoint RECURR.Solid tumors are spatial and temporally heterogeneous. Its pattern has been studied through quantitative features extraction from medical images, as magnetic resonance imaging (MRI). These features can be related with genetic patterns of tumors and hence with treatment response. The most studied example with high heterogeneity is glioblastoma multiform (GBM). This characteristic limit the use of invasive biopsies to tissue characterization, but few studies about GBM characterization with a non-invasive way has been done. GBM has a bad prognosis due to high tumor recurrence. The average survival is around 14 months, when the default treatment is selected. That said, a very precise choice for treatment must be done to avoid decreasing patient\'s performance. In this context, this study has the main goal extract quantitative features through MRI from GBM patients that were submitted to radiotherapy with image processing to correlate them with specific GBM prognosis. The methodology consisted in 105 features extracted by Radiomics analysis from a region of interest (ROI) in T1-post contrast-weighted-MRI of 43 patients submitted to radiotherapy at Clinics Hospital of Faculty of Medicine of Ribeirão Preto. The software used in feature extraction was 3D Slicer - an open source for image processing. Beside this, the endpoints Overall Survival (SG), Progression Free Survival (SLPD) and Lesion Recurrence (RECURR) inside treatment field were collected. Statistical tests (Shapiro-Wilk and t-Student) were applied to achieve which features were significatively correlated with endpoints. As result, for 3 months SLPD, the Kurtosis feature has shown the best result in separating patients with clinical endpoints 1 and 0 (binary representation for patients who had lesion recurrence within 3 months or not, respectively), with an accuracy of 69%. For this same variable, a Logistic Regression classifier was applied and an area under curve - AUC - of 75% was observed in this model. With respect on literature, studies involving Radiomics, GBM and clinical endpoints, we reproduced a methodology in which used a dimensionality reduction technique based on Spearman\'s rank to create a predictive model using Decision Trees and we got a similar result when comparing the accuracy of 62,8% for RECURR endpoint.Biblioteca Digitais de Teses e Dissertações da USPPavoni, Juliana FernandesBorges, Pedro Henrique de Marco2020-03-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/59/59135/tde-28052020-162040/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2020-07-14T18:13:02Zoai:teses.usp.br:tde-28052020-162040Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-07-14T18:13:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
Texture analysis in patients with glioblastoma multiform lesion to correlation with disease prognosis
title Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
spellingShingle Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
Borges, Pedro Henrique de Marco
Aprendizado de máquina
Glioblastoma multiform
Glioblastoma multiforme
Kurtosis
Kurtosis
Machine learning
Radiomics
Radiomics
title_short Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
title_full Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
title_fullStr Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
title_full_unstemmed Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
title_sort Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença
author Borges, Pedro Henrique de Marco
author_facet Borges, Pedro Henrique de Marco
author_role author
dc.contributor.none.fl_str_mv Pavoni, Juliana Fernandes
dc.contributor.author.fl_str_mv Borges, Pedro Henrique de Marco
dc.subject.por.fl_str_mv Aprendizado de máquina
Glioblastoma multiform
Glioblastoma multiforme
Kurtosis
Kurtosis
Machine learning
Radiomics
Radiomics
topic Aprendizado de máquina
Glioblastoma multiform
Glioblastoma multiforme
Kurtosis
Kurtosis
Machine learning
Radiomics
Radiomics
description Tumores sólidos são temporalmente heterogêneos. O padrão desta heterogeneidade tem sido estudado através da extração de características quantitativas de imagens médicas sofisticadas, como as imagens de ressonância magnética (IRM). Essas características podem se relacionar com os padrões genéticos do tumor e consequentemente com a resposta ao tratamento. Um dos exemplos mais estudados de tumor com alta heterogeneidade é o glioblastoma multiforme (GBM). Essa característica limita o uso de biópsias invasivas para caracterização do tecido, porém, diversos estudos sobre a caracterização da heterogeneidade dessas lesões de forma não invasiva têm sido realizados. GBM possui um mau prognóstico devido à alta recorrência da lesão. A sobrevida média dos pacientes é de 14 meses, quando o tratamento padrão é realizado. Diante deste cenário, é necessário que se faça uma precisa escolha do tratamento para não prejudicar a qualidade de vida do paciente. Neste contexto, o presente trabalho tem como objetivo principal extrair informações quantitativas de IRM de pacientes com GBM que foram submetidos ao tratamento radioterápico, através de processamento de imagens para correlaciona-las com determinados prognósticos da doença. A metodologia desse estudo consistiu em extrair 105 características quantitativas por Radiomics do volume de tumor presente em IRM ponderadas em T1 após administração de contraste de 43 pacientes submetidos à radioterapia no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto. O software usado para essa extração foi o 3D Slicer - um software gratuito de processamento de imagens. Além disso, os desfechos clínicos ou endpoints desses pacientes em termos de tempo para sobrevida global (SG), sobrevida livre da progressão da doença (SLPD) e recorrência na borda do campo de tratamento (RECURR) também foram coletados. Testes estatísticos (Shapiro-Wilk e teste t de Student) foram aplicados para determinar quais características se relacionavam de maneira significativa com determinados endpoints. Como resultado observou-se que, para o endpoint SLPD em até 3 meses, a característica Radiomics Kurtosis obteve o melhor resultado na separação dos grupos de pacientes com desfecho clínico 1 e 0 (representação binária para pacientes que recidivaram e não recidivaram dentro de 3 meses, respectivamente), com uma acurácia de 69%. Para essa mesma característica, aplicou-se um classificador baseado em Regressão Logística e obteve-se uma área sobre a curva - AUC - de 75%. Com base na revisão bibliográfica de trabalhos envolvendo endpoints, Radiomics e GBM, replicamos um trabalho no qual utilizou uma técnica de redução de dimensionalidade baseada na correlação de Spearman para criação de um modelo preditivo utilizando árvores de decisão e obtivemos um resultado consistente com o proposto de 62,8% de acurácia no modelo preditivo para o endpoint RECURR.
publishDate 2020
dc.date.none.fl_str_mv 2020-03-30
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 https://www.teses.usp.br/teses/disponiveis/59/59135/tde-28052020-162040/
url https://www.teses.usp.br/teses/disponiveis/59/59135/tde-28052020-162040/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257433645252608