Radiomics for diagnosis and assessing brain diseases: an approach based on texture analysis on magnetic resonance imaging

Abstract

[ES] En los últimos años, los investigadores han intentado explotar la información de las imágenes médicas a través de la evaluación de parámetros cuantitativos para ayudar a los clínicos con el diagnóstico de enfermedades. Esta práctica ha sido bautizada como radiomics. El análisis de texturas proporciona una gran variedad de parámetros que permiten cuantificar la heterogeneidad característica de diferentes tejidos, especialmente cuando se obtienen de imagen por resonancia magnética (IRM). Basándonos en esto, decidimos estudiar las posibilidades de los parámetros texturales extraídos de IRM para caracterizar varios trastornos cerebrales. El potencial de las texturas se analizó con enfoques de aprendizaje automático, usando diferentes clasificadores y métodos de selección de características para hallar el modelo óptimo para cada tarea específica. En esta tesis, la metodología radiomics se usó para realizar cuatro proyectos independientes. En el primer proyecto, estudiamos la diferenciación entre glioblastomas multiformes (GBMs) y metástasis cerebrales (MCs) en IRM convencional. Estos tipos de tumores cerebrales pueden confundirse al diagnosticarse, ya que presentan un perfil radiológico similar y los datos clínicos pueden no ser concluyentes. Con el fin de evitar procedimientos exhaustivos e invasivos, estudiamos el poder discriminatorio de texturas 2D extraídas de imágenes de referencia T1 filtradas y sin filtrar. Los resultados sugieren que los parámetros texturales proporcionan información sobre la heterogeneidad de los GBMs y las MCs que puede servir para distinguir con precisión ambas lesiones cuando se utiliza un enfoque de aprendizaje automático adecuado. En el segundo proyecto, analizamos la clasificación de las MCs según su origen primario en IRM de referencia. En un porcentaje de pacientes, las MCs son diagnosticadas como la primera manifestación de un tumor primario desconocido. Con el fin de detectar el tumor primario de una forma no invasiva y más rápida, examinamos la capacidad del análisis de texturas 2D y 3D para diferenciar las MCs derivadas de los tumores primarios más propensos a metastatizar (cáncer de pulmón, cáncer de mama y melanoma) en imágenes T1. Los resultados mostraron que se logra una alta precisión al usar un conjunto reducido de texturas 3D para diferenciar MCs de cáncer de pulmón de MCs de cáncer de mama y melanoma. En el tercer proyecto, evaluamos las propiedades del hipocampo en IRM para identificar las diferentes etapas de la enfermedad de Alzheimer (EA). Los criterios actuales para diagnosticar la EA requieren la presencia de déficits cognitivos severos. Con la idea de establecer nuevos biomarcadores para detectar la EA en sus primeras etapas, evaluamos un conjunto de texturas 2D y 3D extraídas de IRM del hipocampo de pacientes con EA avanzada, deterioro cognitivo leve y normalidad cognitiva. Muchos parámetros de textura 3D resultaron ser estadísticamente significativos para diferenciar entre pacientes con EA y sujetos de las otras dos poblaciones. Al combinar estos parámetros con técnicas de aprendizaje automático, se obtuvo una alta precisión. En el cuarto proyecto, intentamos caracterizar los patrones de heterogeneidad del ictus cerebral isquémico en IRM estructural. En IRM cerebral de individuos de edad avanzada, algunos procesos patológicos presentan características similares, como las lesiones por ictus y las hiperintensidades de la sustancia blanca (HSBs). Dado que los ictus afectan también al tejido adyacente, decidimos estudiar la viabilidad de texturas 3D extraídas de las HSBs, la sustancia blanca no afectada y las estructuras subcorticales para diferenciar sujetos afectados por ictus lacunares o corticales visibles en IRM convencional (imágenes T1, T2 y FLAIR) de sujetos sin ictus. Las texturas no sirvieron para diferenciar ictus corticales y lacunares, pero se lograron resultados prometedores para discernir pacientes qu

[CA] En els últims anys, els investigadors han intentat explotar la informació de les imatges mèdiques a través de l'avaluació de nombrosos paràmetres quantitatius per ajudar els clínics amb el diagnòstic i la valoració de malalties. Aquesta pràctica ha sigut batejada com radiomics,. L'anàlisi de textures proporciona una gran varietat de paràmetres que permeten quantificar l'heterogeneïtat característica de diferents teixits, especialment quan s'obtenen a partir d'imatge per ressonància magnètica (IRM). Basant-nos en aquests fets, vam decidir estudiar les possibilitats dels paràmetres texturals extrets d'IRM per caracteritzar diversos trastorns cerebrals. El potencial de les textures es va analitzar amb mètodes d'aprenentatge automàtic, usant diferents classificadors i mètodes de selecció de característiques per trobar el model òptim per a cada tasca específica. En aquesta tesi, la metodologia radiomics es va emprar per realitzar quatre projectes independents. En el primer projecte, vam estudiar la diferenciació entre glioblastomes multiformes (GBMs) i metàstasis cerebrals (MCs) en IRM convencional. Aquests tipus de tumors cerebrals poden confondre's al diagnosticar-se ja que presenten un perfil radiològic similar i les dades clíniques poden no ser concloents. Per tal d'evitar procediments exhaustius i invasius, vam estudiar el poder discriminatori de textures 2D extretes d'imatges de referència T1 filtrades i sense filtrar. Els resultats suggereixen que els paràmetres texturals proporcionen informació sobre l'heterogeneïtat dels GBMs i les MCs que pot servir per distingir amb precisió ambdues lesions quan s'utilitza una aproximació d'aprenentatge automàtic adequada. En el segon projecte, vam analitzar la classificació de MCs segons el seu origen primari en IRM de referència. En un percentatge de pacients, les MCs són diagnosticades com la primera manifestació d'un tumor primari desconegut. Per tal de detectar el tumor primari d'una forma no invasiva i més ràpida, vam examinar la capacitat de l'anàlisi de textura 2D i 3D per diferenciar les MCs derivades dels tumors primaris més propensos a metastatitzar (càncer de pulmó, càncer de mama i melanoma) en imatges T1. Els resultats van mostrar que s'aconsegueix una alta precisió quan s'utilitza un conjunt reduït de textures 3D per diferenciar les MCs de càncer de pulmó de les MCs de càncer de mama i melanoma. En el tercer projecte, vam avaluar les propietats de l'hipocamp en la IRM per identificar les diferents etapes de la malaltia d'Alzheimer (MA). Els criteris actuals per diagnosticar la MA requereixen la presència de dèficits cognitius severs. Amb la idea d'establir nous biomarcadors per detectar la MA en les seues primeres etapes, vam avaluar un conjunt de textures 2D i 3D extretes d'IRM de l'hipocamp de pacients amb MA avançada, deteriorament cognitiu lleu i normalitat cognitiva. Molts paràmetres de textura 3D van resultar ser estadísticament significatius per diferenciar entre pacients amb MA i individus de les altres dues poblacions. En combinar aquests paràmetres amb tècniques d'aprenentatge automàtic, es va obtenir una alta precisió. En el quart projecte, vam intentar caracteritzar els patrons d'heterogeneïtat de l'ictus cerebral isquèmic en la IRM estructural. En la IRM cerebral d'individus d'edat avançada, alguns processos patològics presenten característiques similars, com les lesions per ictus i les hiperintensitats de la substància blanca (HSBs). Atès que els ictus tenen efecte també en teixit adjacent, vam decidir estudiar la viabilitat de textures 3D extretes de les HSBs, la substància blanca no afectada i les estructures subcorticals per diferenciar individus afectats per ictus llacunars o corticals visibles en IRM convencional (imatges T1, T2 i FLAIR) d'individus sense ictus. Les textures no foren útils per diferenciar ictus corticals i llacunars, però es van obtenir resultats prometedors per disce

[EN] Over the last years, researchers have attempted to exploit the information provided by medical images through the evaluation of numerous imaging quantitative parameters in order to help clinicians with the diagnosis and assessment of many lesions and diseases. This practice has been recently named as radiomics. Texture analysis supply a wide range of features that allow quantifying the distinctive heterogeneity of different tissues, especially when obtained from magnetic resonance imaging (MRI). With this in mind, we decided to study the possibilities of texture features from MRI in order to characterize several disorders that affect the human brain. The potential of texture features was analyzed with various machine learning approaches, involving different classifiers and feature selection methods so as to find the optimal model to accomplish each specific task. In this thesis, the radiomics methodology was used to perform four independent projects. In the first project, we studied the differentiation between glioblastomas (GBMs) and brain metastases (BMs) in conventional MRI. Sometimes these types of brain tumors can be misdiagnosed since they may present a similar radiological profile and the clinical data may be inconclusive. With the aim of avoiding exhaustive and invasive procedures, we studied the discriminatory power of a large amount of 2D texture features extracted from baseline original and filtered T1-weighted images. The results suggest that 2D texture features provide some heterogeneity information of GBMs and BMs that can help in their accurate discernment when using the proper machine learning approach. In the second project, we analyzed the classification of BMs by their primary site of origin in baseline MRI. A percentage of patients are diagnosed with BM as the first manifestation of an unknown primary tumor. In order to detect the primary tumor in a faster non-invasive way, we examined the capability of 2D and 3D texture analysis to differentiate BMs derived from the most common primary tumors (lung cancer, breast cancer and melanoma) in T1-weighted images. The results showed that high accuracy was achieved when using a reduced set of 3D descriptors to differentiate lung cancer BMs from breast cancer and melanoma BMs. In the third project, we evaluated the hippocampus MRI profile of Alzheimer's disease (AD) patients to identify the different stages of the disease. The current criteria for diagnosing AD require the presence of relevant cognitive deficits. With the purpose of establishing new biomarkers to detect AD in its early stages, we evaluated a set of 2D and 3D texture features extracted from MRI scans of the hippocampus of patients with advanced AD, early mild cognitive impairment and cognitive normality. Many 3D texture parameters resulted to be statistically significant to differentiate between AD patients and subjects from the other two populations. When combining these 3D parameters with machine learning techniques, high accuracy was obtained. In the fourth project, we attempted to characterize the heterogeneity patterns of ischemic stroke in structural MRI. In brain MRI of older individuals, some pathological processes present similar imaging characteristics, like in the case of stroke lesions and white matter hyperintensities (WMH) of diverse natures. Given that stroke effects are present not only in the affected region, but also in unaffected tissue, we investigated the feasibility of 3D texture features from WMH, normal-appearing white matter and subcortical structures to differentiate individuals who had a lacunar or cortical stroke visible on conventional brain MRI (T1-weighted, T2-weighted and FLAIR images) from subjects who did not. Texture features were not useful to differentiate between post-acute cortical and lacunar strokes, but promising results were achieved for discerning between patients presenting an old stroke and normal-ageing patients who never had a stroke.