beneficios para la investigación de la...
TRANSCRIPT
Beneficios para la investigación de la
Multidimensionalidad: integrando datosAngel Alberich-Bayarri, PhD
[email protected] Biomedical Imaging Research Group (GIBI230)
La Fe Polytechnics and University Hospital2 QUIBIM SL
Contenido
1. Introducción
2. Antes de la Multidimensionalidad: extracción de
datos de calidad a partir de las imágenes
3. Multidimensionalidad en la imagen: visualizar la
enfermedad
4. Multidimensionalidad en los datos: Radiomics1. Definición
2. Características
3. Reducción de datos
4. Clasificación
5. Implementación
6. Conclusiones
Introducción
• Necesidades de la investigación clínica en relación a las
técnicas de imagen
Objetivos y reproduciblesEficaces en la evaluación de la enfermedad y el tratamiento
Coste-eficientesCon resultados subrogados o
cercanos a los objetivos clínicos
Métodos de análisis de imagen
Introducción
Principal beneficio de la Multidimensionalidad
Acercarnos desde la imagen a
los objetivos clínicos finales
(clinical endpoints) de la
enfermedad
¿Dónde están las células malignas?
¿Va a recidivar el tumor?
¿Cuánto vivirá mi paciente?
¿Ha sido efectivo el tratamiento?
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
• Todos reconocemos que los Biomarcadores de
Imagen y el Smart Data liderarán el cambio de
paradigma en la imagen médica
• Con el propósito de integrar la radiología cuantitativa
en uso clínico, desarrollamos un nuevo flujo de
trabajo1 que se incluyó finalmente en la publicación
“ESR statement on the stepwise development of
Imaging Biomarkers”2.
1Martí Bonmatí L, Alberich-Bayarri A, et al. [Imaging
biomarkers, quantitative imaging, and bioengineering].
Radiologia. 2012 May-Jun;54(3):269-78.2European Society of Radiology. ESR statement on the
stepwise development of Imaging Biomarkers. Insights
Imaging. 2013 Apr;4(2):147-52.
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
• Actualmente, se pueden extraer un elevado número
de biomarcadores de imagen de las modalidades de
TC, RM, PET, US o incluso Radiología Convencional.
• Estructurales (volumetría, forma, composición) y
Dinámicos (perfusión, difusión, T1, T2).
• El proceso de pasar de un conjunto de imágenes
médicas digitales a conjunto de datos explotable que
describe cuantitativamente lo que ocurre en las
imágenes se enmarca bajo el nombre de radiomics.
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
European Society of Radiology. ESR statement on the stepwise
development of Imaging Biomarkers. Insights Imaging. 2013 Apr;4(2):147-52.
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
1Martí Bonmatí L, Alberich-Bayarri A, et al. [Imaging biomarkers,
quantitativeimaging, and bioengineering]. Radiologia. 2012 May-
Jun;54(3):269-78.
• Proporcionando una metodología de desarrollo de
nuevos biomarcadores de imagen y su correspondiente
validación
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
Antes de la Multidimensionalidad:
Extracción de datos, Biomarcadores de Imagen
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Para combinar diversas fuentes de información en
imágenes multivariantes es necesario garantizar la
coherencia espacial.
• Registro espacial (rígido y no rígido):– Intra-serie (ejemplo: serie de perfusión con inyección de
contraste)
– Intra-modalidad (ejemplo: imágenes de perfusión
superpuestas a imágenes anatómicas alta resolución)
– Inter-modalidad (ejemplo: PET-RM, PET-TC, RM-TC, RM-US)
Imágenes Fuente Análisis masivo de
biomarcadores de imagen
Minería de datos de imagen
Tamaño
(~3)
Forma
(~10)
Intensidad
(~5)
Textura
(~30)
Función
(~200-500)
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Ejemplo 1: Cáncer de próstata
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Ejemplo 1: Cáncer de próstata
– Combinar información de
celularidad (RM difusión) y
angiogénesis tumoral (RM
perfusión) para determinar
regiones con mayor agresividad
tumoral
– Registro:• Afín + B-Splines (elástico)
• Información mutua
T2 Difusión (registro)
Perfusión (registro)
Campo de
deformación
Alfredo Torregrosa
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Ejemplo 1: Cáncer de próstata– Análisis de difusión y perfusión
vóxel a vóxel y clusterización de
datos
– Clustering jerárquico aglomerativo
– Z-score
Ktr
ans
[min
-1]
ADC [mm2/s]
Ktr
ans
[z-z
sco
re]
ADC [z-score] Alfredo Torregrosa
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Ejemplo 1: Cáncer de próstataG
lea
so
n 6
Gle
as
on
7G
lea
so
n 9
Alfredo Torregrosa
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Ejemplo 2: Mieloma Múltiple– Valorar Enfermedad Mínima Residual post-
tratamiento a partir del análisis longitudinal
Irene Mayorga, Fabio García
Multidimensionalidad en la imagen:
Visualizando la enfermedad
• Ejemplo 2: Mieloma Múltiple– 3 pacientes con Respuesta Completa según lectura de Medicina Nuclear y criterios
IMWG
– Los mapas delta-SUV vóxel a vóxel tras normalización hepática muestran regiones con
incremento de SUV: ¿Enfermedad Mínima Residual?
Irene Mayorga, Fabio García
• La radiómica permitirá incrementar la precisión en el
diagnóstico, la evaluación pronóstica, y la predicción
a la respuesta terapéutica
• Radiomics no es una técnica diseñada para ser
aplicada directamente al paciente individual
• Se basa en análisis de características en una
población para la extracción de relaciones entre ellas
y los endpoints que puedan aplicarse al paciente
individual
Multidimensionalidad en los datos:
Radiomics
El análisis multivariante de grandes cantidades de
biomarcadores de imagen extraídos a partir del
procesamiento de imágenes radiológicas (TC, RM, PET) con
el objetivo de encontrar una relación con un diagnóstico,
pronóstico o eficacia terapéutica.
Definición
Multidimensionalidad en los datos:
Radiomics
?
Multidimensionalidad en los datos:
Radiomics
Imágenes Fuente
Análisis Masivo de
Biomarcadores de Imagen
Minería de Datos de Imagen
Diámetro
Volumetría
Texturas
Forma
Dimensión fractal
Farmacocinética
Difusión
SUV
…
Características
T1
T1-FS+Gd
PET-CT
T2
Multidimensionalidad en los datos:
Radiomics
• Reducción de datos
• Z score
• El número de biomarcadores de imagen que pueden
extraerse es similar al existente en el ámbito del
genotipado
• Necesidad de reducir los datos
Thresholding and reordering
to identify groups within
which features are highly correlated
Featu
res 1 ∙∙∙ n
Features 1 ∙∙∙ n
Van Beers B, et al.
Multidimensionalidad en los datos:
Radiomics
• Reducción de datos
• Matriz de correlación de 219 características extraída
de 235 pacientes de cáncer de pulmón
Image courtesy of Y. Balagurunathan
Multidimensionalidad en los datos:
Radiomics
• Clasificación
• Tras la reducción de datos existe la necesidad de
aplicar algoritmos de clasificación para analizar
estadísticamente la distribución de valores en la
población según los criterios de imagen.
• Métodos supervisados y no supervisados.
Multidimensionalidad en los datos:
Radiomics
• Clasificación
Van Beers B, et al.
Multidimensionalidad en los datos:
Radiomics
• Ejemplo 3: cáncer de recto– Tratamiento de consolidación RT + Qt vs. Tratamiento
quimioRT largo ciclo en cáncer de recto (40 pacientes)
– ¿Se puede extraer algún biomarcador de imagen pronóstico a
partir de análisis radiómico del estudio pre-tratamiento?
Publication pending
Multidimensionalidad en los datos:
Radiomics
Fabio García
Basal Seguimiento
Publication pending
• Ejemplo 3: cáncer de recto
• Tratamiento de consolidación RT + Qt vs.
Tratamiento quimioRT largo ciclo en cáncer de recto
(40 pacientes)
Multidimensionalidad en los datos:
Radiomics
Fabio García
Publication pending
• Ejemplo 3: cáncer de recto
• Tratamiento de consolidación RT + Qt vs.
Tratamiento quimioRT largo ciclo en cáncer de recto
(40 pacientes)
Multidimensionalidad en los datos:
Radiomics
Fabio García
Publication pending
0 1
1.0
1.1
1.2
1.3
1.4
1.5
2D Fractal Dimension vs. Relapse of Rectal Cancer
Relapse
2D
Fra
cta
l D
imensio
n
• Ejemplo 3: cáncer de recto
• Tratamiento de consolidación RT + Qt vs.
Tratamiento quimioRT largo ciclo en cáncer de recto
(40 pacientes)
• Valor pronóstico:– Recidiva tras 22 semanas
– D2D en basal (p=0.05)
Multidimensionalidad en los datos:
Radiomics
Fabio García
Gilies RJ, et al. Images are more than pictures, they are data. 2016
Feb;2:563:577.
Multidimensionalidad en los datos:
Radiomics
Paciente
Adquisición de imágenes
Extracción de biomarcadores de
imagen de la lesión
Reducción de datos y
clasificación
Relaciones entrecaracterísticas y
endpoints
Diámetro, área, volumen,
texturas, fractales, ADC,
Ktrans, …
Registro y segmentación
de la población al
individuo
Multidimensionalidad en los datos:
Radiomics
Implementación: Proyecto Euro-BioImaging
• EURO-BIOIMAGING. EMPOWERING EUROPE
TO LEAD THE REVOLUTION IN IMAGING
TECHNOLOGIES.– Population Imaging Node Valencia
• Banco de Imágenes Médicas de la Comunidad
Valenciana (BIMCV)
• IP: Luis Martí-Bonmatí
• Centro coordinador: IIS La Fe
• Gobernanza: IIS La Fe, FISABIO, Universitat de
València, Universitat Politècnica de València,
Universidad de Alicante
Implementación: Plataforma de análisis de
biomarcadores de imagen
• Más de 150 instituciones registradas
• Almacenamiento, análisis de biomarcadores de
imagen y radiómica. Solución local y cloud.
• 7500 análisis / año
- Database storage
- Allowing for scientific data exploitation
Implementación:
Integración con informe estructurado
Equipo PET-TC
instalado en
diciembre 2017
Implementación: Plataforma de
Radiología Experimental y
Biomarcadores de Imagen
Conclusiones
La integración de datos multidimensionales de imagen médica aporta un claro
beneficio a la investigación:
• Introducción de metodologías automatizadas, robustas y sistemáticas de
extracción de biomarcadores de imagen: objetividad y reproducibilidad.
• Eficaces en la evaluación de alteraciones tisulares y fisiológicas de la
enfermedad y los tratamientos.
• Coste-efectivas: carga computacional
• La integración de biomarcadores de imagen en análisis
multidimensionales permite acercar las conclusiones a los hallmarks
y objetivos clínicos finales.
Agradecimientos
Beneficios para la investigación de la
Multidimensionalidad: integrando datosAngel Alberich-Bayarri, PhD
[email protected] Biomedical Imaging Research Group (GIBI230)
La Fe Polytechnics and University Hospital2 QUIBIM SL