• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.17.2023.tde-10102023-162715
Documento
Autor
Nombre completo
Péricles Crisóstomo de Sousa
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
Ribeirão Preto, 2023
Director
Tribunal
Arruda, Gustavo Viani (Presidente)
Marta, Gustavo Nader
Baffa Filho, Oswaldo
 
Título en portugués
Radiomics e análise de textura e formato no diagnóstico e prognóstico de pacientes com glioblastoma multiforme
Palabras clave en portugués
Características
Glioblastoma
MRI
Python
Radiomics
Resumen en portugués
Devido à alta heterogeneidade tecidual e capacidade infiltrativa tumoral, o diagnóstico, prognóstico e tratamento do Glioblastoma Multiforme (GBM) se apresenta como um complexo desafio. Atualmente, o padrão ouro em termos de tratamento é a cirurgia seguida de quimioterapia e radioterapia, seguido de quimioterapia. O uso de imagens vem obtendo cada vez mais relevância no importante papel de fornecer informação para o diagnóstico preciso e monitoramento, em especial imagens de ressonância magnética (RNM). Características radiômicas extraídas de sequências de RNM estão sendo crescentemente usadas para correlação com o prognóstico da doença. Foram realizados contornos nos exames de RNM pós-operatória de 61 pacientes, utilizando um sistema de planejamento de Radioterapia, e foram gerados três segmentos para cada paciente (lesão e cavidade cirúrgica, edema e lesão mais edema). Um método para extração de características radiômicas, com a finalidade de buscar correlações com o mau prognóstico de pacientes com GBM, é apresentado. Foram extraídas 107 características quantitativas radiômicas para cada segmento volumétrico específico de cada um dos 61 pacientes diagnosticados com a doença entre 2009 e 2021, com uso do software 3D Slicer usando o plugin Radiomics. Para este estudo, analisamos o uso de características radiômicas na predição de sobrevida global (SG), sobrevida livre de progressão de doença (SLPD) e recidiva (RECURR), utilizando recursos estatísticos baseados em regressão logística e aprendizado de máquina. Os resultados obtidos demonstraram alta acurácia dos modelos propostos para os desfechos clínicos SG e RECURR, tendo como destaque algumas características radiômicas de segunda ordem, como Dependence Non-Uniformity, Dependence Variance e Large Dependence High Gray Level Emphasis. Dentre os resultados, observamos destaque para o desfecho clínico SG, que obteve medida acurácia ROC de 93%. Para o desfecho clínico SLPD em até 18 meses, a característica radiômica Large Dependence High Gray Level Emphasis obteve o melhor resultado discriminatório para o segmento cavidade mais edema. Dos 61 pacientes, somente 45 tiveram tinham informações completas para análise do desfecho clínico RECURR e foi obtido resultado de 84% de acurácia pelo modelo preditivo.
 
Título en inglés
Radiomics, texture and shape analysis in diagnosis and prognosis of patients with glioblastoma multiforme
Palabras clave en inglés
Endpoints
Glioblastoma
MRI
Python
Radiomics
Resumen en inglés
Due to high tissue heterogeneity and infiltrative capacity, diagnosis, prognosis and treatment of glioblastoma multiforme (GBM) presents a complex challenge. Currently, the gold standard treatment is surgery followed by chemotherapy and radiation therapy, followed by chemotherapy. Use of diagnostic images is gaining relevance in the important role of providing information for accurate diagnosis and monitoring, especially magnetic resonance imaging (MRD. Radiomics features extracted from magnetic resonance images are being constantly used to correlate with the disease prognosis. We have contoured several segments in the post-surgery MRI of 61 patients using a radiation oncology treatment planning system, and three segments were generated for each patient (gross tumour, edema and gross tumour plus edema). An extraction method of radiomic features, to seek for correlations with poor prognosis of patients with GBM is presented. The methodology consisted in extracting 107 quantitative radiomic features for each volumetric specific segment for each of the 61 patients diagnosed with the disease between 2009 and 2021, using the 3D Slicer software and the Radiomics plugin. This study analyzed the use of radiomic features in predicting overall survival (SG), disease-free survival (SLPD) and recurrence (RECURR), using statistical resources based in logistic regression and machine learning. The results obtained show high accuracy of the proposed models for the SG and RECURR endpoints, with highlights to some second order features, such as Dependence Non-Uniformity, Dependence Variance e Large Dependence High Gray Level Emphasis. Among the best results, emphasis to the endpoint SG, with an AUCROC of 93%. For the SLPD endpoint, the radiomic feature Large Dependence High Gray Level Emphasis obtained the best discriminatory result for the gross tumour plus edema segment. Among the 61 patients, only 45 had complete information for the RECURR endpoint analysis and an accuracy of 84% was obtained by the predictive model.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2023-12-18
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores.
CeTI-SC/STI
© 2001-2024. Biblioteca Digital de Tesis y Disertaciones de la USP.