Estudio de la predicción de supervivencia en glioblastoma mediante redes neuronales convolucionales usando imágenes de resonancia magnética multimodal

Abstract

[ES] Aproximadamente el 75% de todos los tumores primarios malignos de cerebro en adultos son gliomas. El glioblastoma, el más letal de entre ellos, representa más de la mitad de los gliomas. Con una supervivencia mediana de 14 meses, sólo cerca del 5% de pacientes de glioblastoma sobreviven más de 5 años. La supervivencia del paciente se considera dependiente de diversos factores como la edad, histopatología, localización, zona de resección, terapia postoperatoria o perfil molecular. Ser capaz de estimar la supervivencia del paciente de manera precisa y robusta puede ser útil para su diagnóstico, planificación terapéutica y predicción de resultado. Sin embargo, debido a su gran heterogeneidad, la supervivencia de los pacientes de glioblastoma varía de manera importante, incluso para sujetos que comparten grado de tumor y tratamiento. Las técnicas de imágenes médicas, específicamente las imágenes de resonancia magnética (MRI), son ampliamente usadas para caracterizar la heterogeneidad del glioblastoma. Recientemente, se han realizado avances importantes en la predicción de la supervivencia usando MRI preoperativo, directa e indirectamente mediante biomarcadores moleculares y caracterización de subtipos. Las imágenes preoperativas son menos invasivas y más comprensibles, con relación a las características que afectan a la supervivencia mencionadas anteriormente. Por ejemplo, el nuevo campo de la radiómica permite obtener características moleculares de imágenes. Además, las imágenes de perfusión, como los mapas de volumen sanguíneo cerebral, han demostrado asociación con la supervivencia. La aproximación más extendida para predecir supervivencia se basa en extraer características de imagen con o sin segmentación previa en los diferentes compartimentos del tumor (i.e. necrosis, tumor activo y edema). Las aproximaciones basadas en deep learning que usan redes neuronales convolucionales (CNN) realizan la extracción de características automática, lo cual evita la selección manual de las más relevantes. También permiten variar el alcance de la información, dependiendo de la porción de la imagen utilizada. Finalmente, permiten mantener relaciones espaciales, lo cual es clave para imágenes multimodales. Esta tesis trabaja bajo la hipótesis de que las imágenes anatómicas y los mapas de perfusión preoperativos contienen suficiente información para desarrollar un modelo de regresión de supervivencia para glioblastoma usando CNN. Por tanto, el objetivo principal es diseñar dicho modelo y optimizarlo para predicción de supervivencia. Para ello, se usa un ensayo clínico y una base de datos de libre acceso.

[EN] Gliomas account for approximately 75% of all malignant primary brain tumors in adults. Glioblastoma, the most lethal among them, represents more than half malignant gliomas. With a median survival of 14 months, only near 5% of glioblastoma patients survive more than 5 years. Patient survival is considered to be dependent of several features such as age, histopathology, location, extent of resection, post-operative therapy, or molecular profile. Being able to estimate patient overall survival (OS) accurately and robustly can be of value for diagnosis, therapeutic planning, and outcome prediction. Nonetheless, due to its high heterogeneity, glioblastoma patient OS varies broadly, even for subjects who share tumor grade and treatment. Medical imaging techniques, specifically magnetic resonance imaging (MRI), are broadly used to characterize glioblastoma heterogeneity. Recently, important advances have been made toward OS prediction using preoperative MRI, both directly and indirectly through imaging molecular biomarkers or subtype characterization. Pre-operative images are less invasive to obtain and more comprehensive, relative to the aforementioned features that affect survival. For instance, the new field of radiomics allows to obtain molecular features from imaging techniques. In addition, perfusion imaging features, such as cerebral blood volume, are demonstrated to correlate with OS. The most extended approach to predict OS is based on extracting features from the images with or without segmenting the tumor into its different compartments (i.e. necrosis, enhancing tumor and edema). Deep learning approaches using convolutional neural networks (CNN) perform feature extraction automatically which avoids manually selecting the most relevant features. They also allow varying the scope of information, depending on how much of the image is used for the model. Finally, they maintain spatial relationships, which is key for multi-modal images. This thesis works under the hypothesis that pre-operative anatomical images and perfusion maps contain enough information to build a survival regression model for glioblastoma using CNN. Thus, the main objective is to design such a model and optimize survival prediction. To this end, a clinical trial and an independent open dataset are used.