Radiomics Filipe Lobo del Monte Leonardo Garmatz Berres

Introduction Radiomics envolve a extração de características da imagem com a intenção de criar um banco de dados de imagens radiológicas. Com essas análises e a especialização médica, é possível chegar a um prognóstico. Geralmente essas imagens são unidimensionais ou bidimensionais. Especialistas tentam chegar a um padrão de leitura de dados dessa imagens, mas nem sempre cobrem todos os dados que podem ser extraídos de uma imagem, como por exemplo a textura, formato ou a margem. Em alguns estudos, a textura tem um poder muito maior de fornecer de um prognóstico. Um exemplo disso, um grupo de médicos conseguiu predizer 80% da expressão de um gene através de uma imagem de tomografia de um carcinoma hepatocelular.

Etapas O objetivo de Radiomics involve extrair dados com alta fidelidade e alta taxa de transferência e é divido em 5 fases: aquisição de imagem e reconstrução, a segmentação de imagens e renderização, extração de características e funcionalidade de qualificação, bancos de dados e compartilhamento de dados, e análise informática.

Image acquisition and reconstruction challenges Durante a rotina de aquisição de imagens, há muitas variações de parâmetros da imagem, como a resolução, a posição do paciente, espessura do corte e os algoritmos, então há uma certa dificuldade para comparar resultados de instituições diferentes e também o estágio da doença.

Image acquisition and reconstruction challenges CT De todas as modalidades de imagem, CT é a mais fácil entre as instituições. Tem várias funções para avaliar o desempenho da imagem como: avaliar a verdadeira espessura de corte, capacidade de visualizar pequenas variações na densidade, detecção de altas resoluções e contrastes. Cada scanner tem suas variações, então é preciso analisar as imagens para se não há algo errado.

Image acquisition and reconstruction challenges PET CT Para utilizar o PET-CT é um desafio pois requere a calibração do scanner e padronização do protocolo de digitalização, mais especificamente a calibração da dose e do volume de interesse e também do protocolo de cada escaneamento. Seguir esse protocolo é obrigação do especialista como foi proposto pela Sociedade de Medicina Nuclear e pela Associação Européia de Medicina Nuclear.

Image acquisition and reconstruction challenges MRI O método MRI permite avaliar as propriedades fisiológicas do tecido, como por exemplo o fluxo vascular, a permeabilidade e frações de volume. Apesar de fornecer bastante informações, este metódo depende dos parâmetros e das condições de aquisição de cada imagem. Para isso os cientistas da Sociedade Radiologista da América do Norte propuseram uma padronização do protocolo. Basicamente todas as imagens teriam o mesmo campo de visão, a mesma intensidade e espessura do corte, facilitando a detecção de um tumor, por exemplo.

Segmentation challenges Segmentação de imagem em VOIs (volume de interesse), como tumor, tecidos normais é um passo importante para o próximo passo de análises subsequentes. Análise manual muitas vezes é tratado como verdade absoluta, mas é cansativo e existe inúmeras variáveis e quantidades de dados. O metódo de segmentação deve ser o mais automático possível. mais eficiente e preciso e com pouca intervenção do especialista, como por exemplo o PET, CT e MRI. Esses métodos compartilham semelhanças, todos eles são baseados em métodos baseados em regiões de crescimento, apesar de eficiente, exige um operador para selecionar a região de interesse. Em seguida falaremos das dificuldades de segmentação de imagens em célular pequenas de pulmão.

Feature extraction and qualification tumor intensity histogram tumor shape texture patterns relations with the surrounding tissues

Tumor intensity histogram Esse histograma descreve a disposição dos valores dos Voxels eu uma fração da estrutura selecionada. Estatísticas comuns podem ser extraídas deste histograma (media, mediana, min, max) Auxilia na determinação do valor de threshold.

Tumor shape Características como o volume ou a área total da superfície é uma característica importante. Além disso, os descritores de compacidade e forma (esfericidade, etc) do tumor, também pode ser calculada

Texture patterns Estatística de segunda ordem ou matriz de co- ocorrência pode ser usada para classificação baseada em textura e são muito usadas em reconhecimento de padrões médicos. Extrai-se indicadores de autocorrelação, contraste, cluster prominence, cluster shade, cluster tendency, dissimilaridade, a energia, a homogeneidade, a probabilidade máxima, soma dos quadrados, soma média, variância da soma, a entropia da soma ou a diferença de entropia.

Features Qualification As características extraídas podem não ser úteis para uma tarefa em particular. Há diferentes métodos de seleção de característica que podem ser utilizados utilizando aprendizado de máquina e abordagens estatísticas. Requisitos -altamente reprodutíveis -informativo -não redundantes

Databases and data sharing Deidentificator Informações confidenciais são ocultados dos headers de imagens DICOM para não comprometer a privacidade do paciente.

Integrated Database O objetivo do Radiomics é ligar características de imagens a fenótipos e a assinaturas moleculares, e isso requer o desenvolvimento de um banco de dados integrado onde imagens e características extraídas são ligados a dados clínicos e moleculares. Desafios: -Armazenamento de imagens -integração de dados clínicos e moleculares -exportação de dados

Armazenamento de imagens Propósitos operacionais vs Pesquisa.

Integração de dados clínicos e moleculares Necessidade da criação de um fluxo de trabalho capaz de segmentar a execução de diversos pacotes de softwares diferentes. Criação de um dicionario semântico para integrar dados internos de varios sistemas heterogeneos.

Exportação de dados Analises estatísticas avançadas como no Radiomics requer a utilização de ferramentas como o R, SAS e MATLAB. A aplicação deve ser capaz de exportar dados de forma que minimize o processamento externo de dados, assim reduzindo probabilidade de erros.

Statistical and radioinformatics analysis Por fim, os dados são analisados por métodos estatísticos tais como: - Multiple testing - Unsupervised and supervised data analysis - Sample size issues