Desarrollo de una metodología basada en análisis de imagen para la evaluación de parámetros histopatológicos en tumores cerebrales diagnosticados como meningioma

Abstract

[ES] Los meningiomas son neoplasias cerebrales de crecimiento lento y mayoritariamente benignas, derivadas de las células meningoteliales de la capa aracnoidea. Existen tres grupos histológicos principales de meningiomas, que se clasifican según su comportamiento en 3 grados de agresividad (I, II y III). La mayoría de meningiomas son de grado I y comportamiento benigno, mientras que los meningiomas de grado II y III presentan resultados clínicos, con mayores tasas de recidiva. Por todo ello, la caracterización de la neoplasia en la primera etapa es necesaria para obtener una mejora en el tratamiento y en el seguimiento. Actualmente, su diagnóstico está basado en criterios histológicos establecidos, que son dependientes del observador y no cuantitativos. El objetivo del presente Trabajo Final de Máster es desarrollar una metodología de análisis de imagen para la evaluación de cortes histopatológicos de meningiomas, y la posterior asociación de la información obtenida con datos genéticos y clínicos. Para ello, se hará uso de la herramienta de Matlab para trabajar sobre imágenes de biopsias humanas teñidas con tinciones convencionales (hematoxilina-eosina) en matrices de tejido (¿tissue microarrays¿). La metodología de trabajo a seguir pretende incluir un proceso de identificación automática de las biopsias en las matrices de tejido, para posteriormente pre-procesar cada muestra eliminando de forma semiautomática los elementos no analizables. Finalmente, se desarrollará un proceso de detección automática de los núcleos de cada biopsia, para posteriormente cuantificar parámetros morfológicos, celulares, histopatológicos y posibles patrones ocultos. Una vez adquiridos dichos datos y junto con la información clínica, se analizarán mediante métodos estadísticos tradicionales y métodos basados en técnicas de aprendizaje máquina, con el fin de identificar nuevos marcadores basados en imagen y obtener una metodología de análisis para el apoyo al diagnóstico clínico y a la toma de decisiones en la gestión del paciente. El resultado esperado es un conjunto de nuevos parámetros morfológicos asociados a distintos grupos patológicos y una herramienta que permita el análisis semiautomático de estas imágenes para evaluar estos parámetros de forma objetiva y reproducible, ayudar en la toma de decisiones clínicas y acometer proyectos en grandes series de muestras.

[CA] Els meningiomes són neoplàsies cerebrals de creixement lent i majoritàriament benignes, derivades de les cèl·lules meningotelials de la capa aracnoidea. Es classifiquen segons el seu comportament en 3 graus d'acord amb les seues característiques histològiques relacionades amb l'agressivitat (I, II i III), i per tant, la caracterització de la neoplàsia en la primera etapa és necessària per a obtindre una millora en el tractament i en el seguiment. Aquests criteris histològics actuals són en part dependents de l'observador i principalment qualitatius. L'objectiu del present Treball Final de Màster és desenvolupar una metodologia d'anàlisi d'imatge per a l'avaluació de talls histopatológics de meningiomes. Per a això, es farà ús de l'eina de Matlab per a treballar sobre imatges de biòpsies humanes tenyides amb tincions convencionals (hematoxilinaeosina) en matrius de teixit (“tissue microarrays”). La metodologia de treball inclou un procés d'identificació automàtica de les mostres en les matrius de teixit, per a posteriorment pre-processar cada mostra eliminant de manera semiautomàtica els elements no analitzables. Finalment, es procedeix a la detecció automàtica dels nuclis de cada imatge per a la quantificació de paràmetres morfològics, cel·lulars, histopatológics i possibles patrons ocults, que, juntament amb la informació clínica, s'analitzaran mitjançant mètodes estadístics amb la finalitat d'obtindre una metodologia d'anàlisi per al suport al diagnòstic clínic i a la presa de decisions en la gestió del pacient. El resultat és el desenvolupament d'una metodologia efectiva que genera un conjunt de dades associades a paràmetres morfològics amb tendències diferents segons els grups patològics estudiats. S'ha desenvolupat una eina que permet l'anàlisi efectiva semiautomàtica de les imatges per a avaluar aquests paràmetres de manera objectiva i reproduïble, ajudar en la presa de decisions clíniques i escometre projectes en grans sèries de mostres.

[EN] Meningiomas are slow-growing, mostly benign neoplasms of the brain derived from meningothelial cells of the arachnoid layer. There are three main histological groups of meningiomas, which are classified according to their behaviour into three grades of aggressiveness (I, II and III). The majority of the meningiomas are from grade I and have a benign behaviour, while grade II and III meningiomas present clinical results, with higher rates of recurrence. Therefore, characterisation of the neoplasm in the first state is necessary to improve treatment and follow-up. Currently, diagnosis is based on established histological criteria, which are observer-dependent and not quantitative. The aim of this Final Master's Project is to develop an image analysis methodology for the evaluation of histopathological sections of meningiomas, and the subsequent association of the information obtained with genetic and clinical data. To this, the Matlab tool will be used to work on images of human biopsies stained with conventional stains (haematoxylin-eosin) in tissue microarrays. The working methodology to be followed pretends to include a process of automatic identification of the biopsies in the tissue microarrays, in order to pre-process each sample by a semi-automatic method and eliminate non-analysable elements. Finally, a process of automatic detection of the nuclei of each biopsy will be developed, in order to quantify morphological, cellular and histopathological parameters and possible hidden patterns. Once these data have been acquired and together with the clinical information, they will be analysed using traditional statistical methods and methods based on machine learning techniques, with the aim of identify new image-based markers and obtain an analysis methodology to support clinical diagnosis and decision-making in patient management. The expected result is a set of new morphological parameters associated with different pathological groups and a tool that allows the semi-automatic analysis of these images to evaluate these parameters in an objective and reproducible way, to help in clinical decision-making and to undertake projects in large sample series.