Magnetic resonance imaging texture analysis in the prediction of tumor recurrence in patients with non-functioning pituitary adenomas (2017)
- Authors:
- Autor USP: MACHADO, LEONARDO FERREIRA - FFCLRP
- Unidade: FFCLRP
- Sigla do Departamento: 591
- Subjects: BIOFÍSICA; TEXTURA; RESSONÂNCIA MAGNÉTICA; APRENDIZADO COMPUTACIONAL
- Keywords: Análise de textura; APNF; Aprendizagem de máquina; Imagens por ressonância magnética; Predição de recorrência tumoral; Machine learning; Magnetic resonance imaging; NFPA; Prediction of tumor recurrence; Texture analysis
- Language: Inglês
- Abstract: O presente trabalho propõe o uso de parâmetros de textura extraídos computacionalmente de IRM como biomarcadores de imagem na predição de recorrência tumoral em pacientes de adenomas pituitários clinicamente não funcionantes (APNF). Para isso, esse estudo analisou imagens de RM de 15 pacientes de APNF retrospectivamente separados em dois grupos: O grupo de pacientes recorrentes, definido por 7 pacientes que exibiram recorrência tumoral em um período de 4,640 ± 0,653 anos (mdia ± erro padrão) de acompanhamento clínico após a primeira abordagem cirúrgica; e o grupo de pacientes estáveis, formado por 8 pacientes com lesões consideradas estáveis em um período de 4,512 ± 0,536 anos. Uma máscara de segmentação tridimensional da lesão tumoral foi construída manualmente por um especialista sobre a imagem 3D T1-W DCE pré-operatória para cada paciente. Em seguida, essa segmentação e a própria imagem de ressonância foram usadas para extrair 48 características numéricas de textura. Adicionalmente, 4 características clínicas foram consideradas no estudo: a imuno-histoquímica, invasividade, idade na primeira cirurgia e sexo, totalizando 52 características. Cada uma destas 52 características foi testada através de testes estatísticos convencionais univariados para ver se existia evidências do poder discriminatório dessas características para diferenciar esses dois grupos de pacientes. Mais adiante, diferentes subconjuntos dessas características foram usados para construir modelos de predição baseados na teoria de aprendizagem de máquinas (usando os algoritmos k-nearest neighbor (kNN), decision tree (DTC), e random forest (RFC)) para investigar um modelo de classificação capaz de identificar os pacientes que experimentariam recorrência tumoral após a primeira cirurgia. 9 características de textura foram consideradas individualmente significantes (p < 0,05) nadiferenciação dos grupos de pacientes recorrentes e estáveis. Afirmando esses achados, a análise com a curva ROC para cada uma das 9 características exibiu medidas de AUC de 0,803 a 0,857 significando uma boa performance de classificação. A idade, imuno-histoquímica, invasividade e sexo não mostraram evidências de associação com recorrência tumoral. As melhores performances com algoritmos de classificação foram obtidas com kNN c RFC, ambos atingiram uma especificidade de 1,000 conservando alta acurácia (0,933) e Obtendo 0,991 na análise com a curva ROC, o que caracteriza uma performance de classificação quase perfeita. DTC não mostrou nenhuma melhora se comparado com os resultados das classificações univariadas. Esses resultados permitem concluir que parâmetros de textura são úteis na predição de recorrência tumoral após a primeira cirurgia em pacientes de APNF. E que o valor de predição dessas características podem ser observados por testes estatísticos univariados convencionais e por análises multivariadas através de algoritmos baseados em aprendizagem de máquinas
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2017
- Data da defesa: 28.11.2017
-
ABNT
MACHADO, Leonardo Ferreira. Magnetic resonance imaging texture analysis in the prediction of tumor recurrence in patients with non-functioning pituitary adenomas. 2017. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/59/59135/tde-11052018-110513/. Acesso em: 18 nov. 2024. -
APA
Machado, L. F. (2017). Magnetic resonance imaging texture analysis in the prediction of tumor recurrence in patients with non-functioning pituitary adenomas (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de http://www.teses.usp.br/teses/disponiveis/59/59135/tde-11052018-110513/ -
NLM
Machado LF. Magnetic resonance imaging texture analysis in the prediction of tumor recurrence in patients with non-functioning pituitary adenomas [Internet]. 2017 ;[citado 2024 nov. 18 ] Available from: http://www.teses.usp.br/teses/disponiveis/59/59135/tde-11052018-110513/ -
Vancouver
Machado LF. Magnetic resonance imaging texture analysis in the prediction of tumor recurrence in patients with non-functioning pituitary adenomas [Internet]. 2017 ;[citado 2024 nov. 18 ] Available from: http://www.teses.usp.br/teses/disponiveis/59/59135/tde-11052018-110513/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
