Desarrollo de una metodología para la ayuda al diagnóstico del cáncer de mama mediante el análisis de texturas en imágenes de resonancia magnética

[ES] La resonancia magnética de mama con contraste representa una herramienta con gran potencial para la detección, evaluación y diagnóstico del cáncer de mama. Debido a su elevada sensibilidad se pueden llegar a resolver contratiempos y limitaciones manifestadas en otras modalidades de diagnóstico por imagen como serían la mamografía o la ecografía. La extracción y evaluación de las características de textura y de forma en las distintas regiones de interés de la mama conforman un aspecto muy determinante para la exhaustiva comprensión de las imágenes médicas y, en consecuencia, la realización de un adecuado diagnóstico de la paciente en función de aquellas características más significativas. Por todo ello, se ha pretendido desarrollar una metodología para la ayuda al diagnóstico del cáncer de mama mediante el análisis de texturas y de formas en imágenes de resonancia magnética (RM). De manera que se ha desarrollado un análisis de texturas en 2D y de formas en 3D de la región de interés del tumor de la mama para categorizar la malignidad del mismo en función de la localización de la tumoración en el plano coronal dividido en cuadrantes y el tipo de tumor según su información genética. Para ello, se seleccionaron de la base de datos de ASCIRES Grupo Biomédico, empresa con la cual se ha trabajado en colaboración, las imágenes de RM de 43 pacientes con cáncer de mama, cuya lesión, en este caso, tumor, se segmentó tanto en 2D como en 3D obteniendo así la región de interés (ROI) de la mama. Una vez preprocesadas las imágenes, se realizaron tres análisis, de texturas, de formas y de ambas características conjuntamente, características que se obtuvieron de la toolbox de Radiomics de MATLAB y de PyRadiomics de Python, respectivamente. Posteriormente, en MATLAB se hizo uso de dichas características para desarrollar modelos predictivos en función de la localización por cuadrantes del tumor en el plano coronal, estudio multiclase de 4 clases (CIE, CII, CSE y CSI) y del tipo de tumor según su información genética, estudio binario de 2 clases (HER2 positivo y Luminal B con HER2 negativo). Por tanto, se realizaron 6 estudios en total, es decir, los 3 tipos de análisis (de textura, de forma y de ambas) tanto para el estudio multiclase como para el binario. Como resultados más relevantes se puede comentar que para el estudio multiclase de la localización por cuadrantes, el uso de características de textura y de forma conjuntamente permite obtener el mayor AUC medio del 67¿99%, mientras que, para el estudio binario del tipo de tumor, únicamente con el uso de parámetros de textura ya es suficiente para obtener un adecuado valor de AUC medio del 74¿04%, pero en ambos casos el mejor modelo de clasificación para nuestros datos es el modelo SVM con Kernel Lineal. Además, en los estudios multiclase, el mejor modelo de predicción se obtiene con el uso de un número muy reducido de características, en cambio, en los estudios binarios, son necesarias prácticamente todas las características iniciales, lo que implica que dichos modelos son más complejos y, por tanto, podrían ser menos generalizables que, en este caso, los presentes estudios multiclase.[CA] La ressonància magnètica de mama amb contrast representa una eina amb gran potencial per a la detecció, avaluació i diagnòstic del càncer de mama. A causa de la seua elevada sensibilitat es poden arribar a resoldre contratemps i limitacions manifestades en altres modalitats de diagnòstic per imatge com serien la mamografia o l'ecografia. L'extracció i avaluació de les característiques de textura i de forma en les diferents regions d'interés de la mama conformen un aspecte molt determinant per a l'exhaustiva comprensió de les imatges mèdiques i, en conseqüència, la realització d'un adequat diagnòstic de la pacient en funció d'aquelles característiques més significatives. Per tot això, s'ha pretés desenvolupar una metodologia per a l'ajuda al diagnòstic del càncer de mama mitjançant l'anàlisi de textures i de formes en imatges de ressonància magnètica (RM). De manera que s'ha desenvolupat una anàlisi de textures en 2D i de formes en 3D de la regió d'interés del tumor de la mama per a categoritzar la malignitat del mateix en funció de la localització de la tumoració en el pla coronal dividit en quadrants i el tipus de tumor segons la seua informació genètica. Per a això, es van seleccionar de la base de dades de ASCIRES Grupo Biomédico, empresa amb la qual s'ha treballat en col·laboració, les imatges de RM de 43 pacients amb càncer de mama, la lesió de la qual, en aquest cas, tumor, es va segmentar tant en 2D com en 3D obtenint així la regió d'interés (ROI) de la mama. Una vegada preprocessades les imatges, es van realitzar tres anàlisis, de textures, de formes i de totes dues característiques conjuntament, característiques que es van obtindre de la toolbox de Radiomics de MATLAB i de PyRadiomics de Python, respectivament. Posteriorment, en MATLAB es va fer ús d'aquestes característiques per a desenvolupar models predictius en funció de la localització per quadrants del tumor en el pla coronal, estudie multiclasse de 4 classes (CIE, CII, CSE i CSI) i de la mena de tumor segons la seua informació genètica, estudi binari de 2 classes (HER2 positiu i Luminal B amb HER2 negatiu). Per tant, es van realitzar 6 estudis en total, és a dir, els 3 tipus d'anàlisis (de textura, de forma i de totes dues) tant per a l'estudi multiclasse com per al binari. Com a resultats més rellevants es pot comentar que per a l'estudi multiclasse de la localització per quadrants, l'ús de característiques de textura i de forma conjuntament permet obtindre el major AUC mitjà del 67’99%, mentre que, per a l'estudi binari de la mena de tumor, únicament amb l'ús de paràmetres de textura ja és suficient per a obtindre un adequat valor de AUC mitjà de 74’04%, però en tots dos casos el millor mètode de classificació per a les nostres dades és el model SVM amb Kernel Lineal. A més, en els estudis multiclasse, el millor model de predicció s'obté amb l'ús d'un número molt reduït de característiques, en canvi, en els estudis binaris, són necessàries pràcticament totes les característiques inicials, la qual cosa implica que aquests models són més complexos i, per tant, són menys generalitzables que, en aquest cas, els presents estudis multiclasse.[EN] Contrast-enhanced breast magnetic resonance represents a tool with great potential for the detection, evaluation and diagnosis of breast cancer. Due to its high sensitivity, it can solve setbacks and limitations of other imaging modalities such as mammography or ultrasound. Extraction and evaluation of the texture and shape characteristics in the different regions of interest of the breast are a very important aspect for the exhaustive understanding of the medical images and, consequently, the realization of an adequate diagnosis of the patient according to those most significant characteristics. For all these reasons, we have tried to develop a methodology to aid in the diagnosis of breast cancer through the analysis of textures and shapes in magnetic resonance images (MRI). Thus, a 2D texture analysis and 3D shape analysis of the region of interest of the breast tumour has been developed to categorize the malignancy of the tumour according to the location of the tumour in the coronal plane divided into quadrants and the type of tumour according to its genetic information. For this purpose, the MR images of 43 patients with breast cancer were selected from the database of ASCIRES Grupo Biomédico, a company with which we have worked in collaboration, whose lesion, in this case, tumour, was segmented both in 2D and 3D, thus obtaining the region of interest (ROI) of the breast. Once the images were preprocessed, three analyses were performed, of textures, shapes and both features together, features obtained from MATLAB's Radiomics toolbox and Python's PyRadiomics, respectively. Subsequently, these features were used in MATLAB to develop predictive models based on the quadrant location of the tumour in the coronal plane, a multiclass study of 4 classes (CIE, CII, CSE and CSI) and the type of tumour according to its genetic information, a binary study of 2 classes (HER2 positive and Luminal B with HER2 negative). Therefore, a total of 6 studies were carried out, that is to say, the 3 types of analysis (texture, shape and both) for both the multiclass and binary studies. As the most relevant results we can comment that for the multiclass study of quadrant localization, the use of texture and shape features together allows us to obtain the highest mean AUC of 67.99%, while for the binary study of tumour type, the use of texture parameters alone is sufficient to obtain an adequate mean AUC value of 74.04%, but in both cases the best classification method for our data is the SVM model with Linear Kernel. Moreover, in multiclass studies, the best prediction model is obtained with the use of a very small number of features, whereas in binary studies, practically all the initial features are necessary, which implies that these models are more complex and, therefore, less generalizable than, in this case, the present multiclass studies.Castellote Huguet, MP. (2021). Desarrollo de una metodología para la ayuda al diagnóstico del cáncer de mama mediante el análisis de texturas en imágenes de resonancia magnética. Universitat Politècnica de València. http://hdl.handle.net/10251/17401