Características radiómicas e o estadiamento de tumores cerebrais

A Ressonância Magnética é a modalidade radiológica gold standard para o estudo dos gliomas cerebrais. O diagnóstico deste tipo de tumores é geralmente realizado tendo por base a metodologia VASARI, que consiste numa análise qualitativa das imagens obtidas por Ressonância Magnética, seguindo uma lista pré-definida de critérios. Com os avanços tecnológicos surgiu o conceito de Radiomics, que consiste num conjunto de descritores computacionais extraídos das imagens que possibilitam a análise quantitativa e mais objetiva das mesmas. Estas características foram submetidas a técnicas de Machine Learning utilizando o algoritmo Random Forest. Este procedimento permitiu estratificar estas características segundo a sua importância, comparar o desempenho entre ambas e contribuir para a previsão do diagnóstico e do grau tumoral. As classificações realizadas a partir das anotações VASARI apresentaram excelentes resultados ao demonstrarem grande coerência na identificação das características com maior peso no diagnóstico tumoral e no outcome clínico. Todavia observou-se que as características radiómicas, comparativamente às características VASARI apresentavam melhores resultados relativamente à previsão do diagnóstico tumoral. Apesar disto, as características texturais gray-level co-occurrence matrices demonstraram algumas limitações por não conseguirem medir parâmetros que se demonstraram determinantes na classificação tumoral, como as proporções com e sem realce tumoral. Contrariamente às características VASARI, poucas características radiómicas se evidenciaram durante o processo de estratificação por importância. Isto demonstrou que a previsão do diagnóstico e do grau tumoral, utilizando as características radiómicas foi realizado tendo por base um conjunto de características que se complementavam e contribuíam para as assinaturas radiómicas. Para além destas evidências, neste estudo foi também comprovada a importância da standardização de parâmetros de aquisição, processamento e avaliação das imagens de Ressonância Magnética.Magnetic resonance imaging is the radiological gold standard technique for the study of brain gliomas. The diagnosis of this type of tumor is based on the VASARI methodology, which consists of a qualitative analysis, following a predefined list of criteria, of the magnetic resonance images. With technological advances the concept of Radiomics emerged, which consists of a set of computational descriptors extracted from the images that allow a quantitative and more objective analysis of them. These characteristics were submitted to Machine Learning techniques using the Random Forest algorithm. This procedure allowed stratifying these characteristics according to their importance, comparing the performance between them and contributing to the prediction of the diagnosis and tumor grade. The classifications made from the VASARI annotations presented excellent results by demonstrating great coherence in the identification of the most important features in tumor diagnosis and clinical outcome. However, it was observed that radiomic characteristics compared to VASARI characteristics presented better results when predicting the tumor diagnosis and tumor grade. Nevertheless, gray-level co-occurrence matrices textural characteristics demonstrated some limitations because they could not measure parameters that were determinant in tumor classification, such as proportions with and without tumor enhancement. Contrary to VASARI characteristics, few radiomic characteristics stood out during the process of stratification according to their importance. This demonstrated that the prediction diagnosis using the radiological characteristics was performed based on a set of characteristics that complemented each other and contributed to the radiomic signatures. In addition to this evidence, this study also proved the importance of standardization of parameters for acquisition, processing and evaluation of magnetic resonance images.Mestrado em Tecnologias da Imagem Médic