Caracterización de la agresividad del cáncer de mama mediante análisis de formas y texturas de imágenes de PET/RM como biopsia digital para ayuda al diagnóstico

Abstract

[ES] El tratamiento que se debe aplicar para combatir un cáncer está determinado principalmente por el momento en el que se detecta y el estadio en el que se encuentra. Llegar a determinar el estadio del cáncer de mama es complejo y requiere de técnicas invasivas para la toma de biopsias, además de múltiples pruebas diagnósticas de imagen como la ecografía, la mamografía o la resonancia magnética, destacando esta última por su elevada sensibilidad para diagnosticar este tipo de lesiones. La fusión de la imagen por resonancia magnética (RM) con imágenes PET FDG-F18 proporciona una mejor caracterización de los ganglios linfáticos y aumenta la precisión de diagnóstico de la técnica. La necesidad de identificar el cáncer en un estadio temprano aumenta la importancia del desarrollo de métodos automáticos no invasivos que aprovechen las nuevas tecnologías desarrolladas en el ámbito de la radiómica. En la actualidad hay técnicas que nos ofrecen imágenes de gran calidad que permiten estudiar la forma y las texturas de las lesiones. Para llegar a determinar la relación de éstas con la agresividad del tumor es preciso realizar un análisis en profundidad de las características que las diferentes secuencias nos permiten extraer. En el presente Trabajo Fin de Grado se pretende alcanzar un sistema automático de biopsia digital que, a partir de la forma y textura de la lesión segmentada, permita obtener una predicción del estadio del tumor. El objetivo general de este trabajo académico es diseñar el procedimiento de actuación para la obtención de este sistema de biopsia digital a partir de un estudio piloto. Los objetivos específicos son: caracterizar las lesiones por su textura y forma, reducir la dimensionalidad de las variables y determinar qué secuencia de imagen proporciona mejor información para identificar el estadio. Este proyecto se ha realizado a partir de las imágenes de 40 pacientes con lesiones mamarias obtenidas mediante el equipo híbrido PET/MR de Cetir (Grupo Biomédico ASCIRES) con adquisición simultánea de ambas modalidades. Durante la adquisición se obtienen las secuencias T1, T2, difusión, dinámico con contraste y PET con el paciente en decúbito prono. Una vez identificadas y segmentadas las lesiones en 3D de forma manual, se han extraído parámetros cuantitativos de las texturas y formas en cada secuencia mediante el módulo Radiomics del software Syngo.via de Siemens Healthineers. A continuación, en MATLAB se han procesado los datos y se ha reducido la dimensionalidad mediante el análisis descriptivo de las variables y PCA, para obtener las variables que aportan información más relevante en la discriminación de las lesiones por estadios. Se han desarrollado ocho modelos predictivos con el fin de identificar qué secuencia discrimina mejor las lesiones y se han aplicado métodos como k-Nearest Neighbour, Linear Discriminant Analysis y Random Forest para obtener la mejor clasificación posible. Finalmente, los modelos entrenados han sido validados mediante métodos como Leave-one-out Cross Validation y k-Fold Cross Validation y evaluados a partir de métricas como el accuracy, la sensibilidad, la especificidad o el AUC para poder ser comparados entre ellos. Se ha observado que los modelos que han producido mejores predicciones son aquellos que contienen características extraídas de las imágenes PET.

[EN] The timing and aggressiveness of the cancer when it is detected determine the treatment to be applied. Staging breast cancer is complex and requires invasive techniques to obtain biopsies. Multiple diagnostic imaging scans such as ultrasound, mammography or magnetic resonance imaging (MRI) are also necessary. MRI stands out for its high sensitivity to diagnose this type of lesions. Fusion of MRI with 18F-FDG PET imaging provides better characterisation of lymph nodes and improves diagnostic accuracy. The development of non-invasive automatic methods that take advantage of new technologies developed in the field of radiomics is highly relevant to identify cancer at an early stage. Nowadays there are techniques that offer high quality images that can be used to study the shape and textures of the lesions. It is necessary to carry out an in-depth analysis of the characteristics that the different sequences provide in order to determine the relationship between these and the aggressiveness of the tumour. The aim of this Final Degree Project is to develop an automatic digital biopsy system that allows the prediction of tumour stage based on the shape and texture of the segmented lesion. The general objective of this academic work is to design the procedure to obtain the digital biopsy system from a pilot study. The specific purposes are: to characterise lesions by texture and shape, to reduce the dimensionality of the related variables, to determine which image sequence provides better information to identify the stage, to distinguish the information provided by texture and shape to the characterisation of aggressiveness and to study the relationship of aggressiveness with lesion location. This project will be carried out using the images of 30 patients with breast lesions obtained by the hybrid PET/MR equipment in Cetir (Biomedical Group ASCIRES). The acquisition of both modalities is performed simultaneously to enable direct fusion of the MRI and 3D PET images. T1, T2, diffusion, dynamic with contrast and PET sequences will be taken with the patient in prone position. Once the lesions had been identified and manually segmented in 3D, quantitative parameters of the textures and shapes in each sequence were extracted using the Radiomics module of the Syngo.via software from Siemens Healthineers. Data was then processed in MATLAB and the dimensionality was reduced by descriptive analysis of the variables and PCA to obtain which ones provided the most relevant information for discriminating lesions by stage. Eight predictive models have been developed in order to identify which sequence discriminates the lesions better. Methods such as k-Nearest Neighbour, Linear Discriminant Analysis and Random Forest have been applied to obtain the best possible classification. Finally, the trained models have been validated by methods such as Leave-one-out Cross Validation and k-Fold Cross Validation and evaluated from metrics such as accuracy, sensitivity, specificity or AUC to be compared between them. The models that have been found to produce the best predictions are those containing features extracted from PET images.

[CAT] El tractament que s'ha d'aplicar per a combatre un càncer està determinat principalment pel moment en el qual es detecta i l'estadi en el qual es troba. Arribar a determinar l'estadi del càncer de mama és complex i requereix tècniques invasives com la presa de biòpsies, a més de múltiples proves diagnòstiques d'imatge com l'ecografia, la mamografia o la ressonància magnètica, destacant aquesta última per la seua elevada sensibilitat per a diagnosticar aquest tipus de lesions. La fusió de la imatge per ressonància magnètica (RM) amb imatges PET FDG-F18 proporciona una millor caracterització dels ganglis limfàtics i augmenta la precisió de diagnòstic de la tècnica. La necessitat d'identificar el càncer en un estadi d'hora augmenta la importància del desenvolupament de mètodes automàtics no invasius que aprofiten les noves tecnologies desenvolupades en l'àmbit de la radiòmica. En l'actualitat hi ha tècniques que ens ofereixen imatges de gran qualitat que permeten estudiar la forma i les textures de les lesions. Per a arribar a determinar la relació d'aquestes amb l'agressivitat del tumor cal elaborar una anàlisi en profunditat de les característiques que les diferents seqüències ens permeten extraure. En el present Treball Fi de Grau es pretén aconseguir un sistema automàtic de biòpsia digital que, a partir de la forma i textura de la lesió segmentada, permeta obtenir una predicció de l'estadi del tumor. L'objectiu general d'aquest treball acadèmic és dissenyar el procediment d'actuació per a l'obtenció d'aquest sistema de biòpsia digital a partir d'un estudi pilot. Els objectius específics són: caracteritzar les lesions per la seua textura i forma, reduir la dimensionalitat de les variables, determinar quina seqüència d'imatge proporciona millor informació per a identificar l'estadi i distingir la informació que aporta la textura i la forma a la caracterització de l'agressivitat. Aquest projecte s'ha realitzat a partir de les imatges de 40 pacients amb lesions mamàries obtingudes mitjançant l'equip híbrid PET/*MR de Cetir (Grupo Biomédico ASCIRES) amb adquisició simultània de totes dues modalitats. Durant l'adquisició s'obtenen les seqüències T1, T2, difusió, dinàmic amb contrast i PET amb el pacient en decúbit pron. Una vegada identificades i segmentades les lesions en 3D de manera manual, s'han extret paràmetres quantitatius de les textures i formes en cada seqüència mitjançant el mòdul Radiomics del programari Syngo.via de Siemens Healthineers. A continuació, en MATLAB s'han processat les dades i s'ha reduït la dimensionalitat mitjançant l'anàlisi descriptiva de les variables i PCA per a obtenir quines aporten informació més rellevant en la discriminació de les lesions per estadis. S'han desenvolupat huit models predictius amb la finalitat d'identificar quina seqüència discrimina millor les lesions i s'han aplicat mètodes com k-Nearest Neighbour, Linear Discriminant Analysis i Random Forest per a aconseguir la millor classificació possible. Finalment, els models entrenats han sigut validats mitjançant mètodes com Leave-one-out Cross Validation i k-Fold Cross Validation i avaluats a partir de mètriques com el accuracy, la sensibilitat, l'especificitat o el AUC per a poder ser comparats entre ells. S'ha observat que els models que han produït millors prediccions són aquells que contenen característiques extretes de les imatges PET.