radiomique des gliomes - onco-nouvelle-aquitaine · 2019. 5. 2. · radiomique des gliomes...

Radiomique des Gliomes Dissection des tumeurs par l’imagerie Avenir en clinique ?

David FADLI1

Pr. Vincent DOUSSET1,2, Pr. Thomas TOURDIAS1,2

Dr. Patrice MENEGON1, Dr. Morgan OLLIVIER1

1 Service Neuroradiologie, CHU Bordeaux 2 Institut de BioImagerie, Université de Bordeaux Vendredi 12 Avril 2019

Sommaire

• Contextualisation & Définitions

• Recherche et applications en Neuro-Oncologie

• “Worklow” : Limites et solutions

• Synthèse

Imagerie Actuelle des Gliomes…

Aujourd’hui …

Aujourd’hui … Demain ?!

Aujourd’hui … Demain ?!

Probabilité GBM : % Grade

Radiomic Risk Profil IDH

Profil mMGMT / EGFRvIII …

Réponse AVASTIN®, ITK…

Généralités

-Omics

• Big Data

1. Extraction grande quantité de données

2. Traitement de l’information émission hypothèses

• Substratum physiopathologique ?

• Biomarqueur

Radiomics Features

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre

Nb

de

vo

xels

Intensité de gris

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

GLCM

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

GLCM GLSZM

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

GLCM GLSZM GLRLM

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

GLCM GLSZM GLRLM NGTDM

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

GLCM GLSZM GLRLM NGTDM GLDM

Radiomics Features

1 2 3 4 5

5

5 4

4

3

3

2

2

1 1

5

5

5 5

5 4

4

4

4

4

4

4

5

3

3

3

3 3

3 3

2

2

2

2

2

2

1

1

1

1 1

1

1

5 4 4

4

4

3

3

3

5 2 2

2 4

4

4 3

1er Ordre 2e Ordre

= TEXTURE

Nb

de

vo

xels

Intensité de gris

Ordre Supérieur

GLCM GLSZM GLRLM NGTDM GLDM

“Intelligence Artificielle”

Intelligence « Faible »

Machine Learning

• Ground truth label

• Supervisés vs Non supervisés

• Algorithmes de classification ++

• Training vs Validation sets

Rudie et al. 2019

D’après MathLAB

Sommaire




• Synthèse

“Etat de l’art” en Neuro-Oncologie

• Intérêt Diagnostique

• Intérêt Pronostique

• Plannification Thérapeutique

Limkin et al. 2017

Diagnostic initial Suh et al. ESR 2018


R1 : PCNSL probable

R2 : PCNSL probable

R3 : GBM probable


R1 : PCNSL probable

R2 : PCNSL probable

R3 : GBM probable

R1 : GBM probable

R2 : GBM

R3 : GBM probable


R1 : PCNSL probable

R2 : PCNSL probable

R3 : GBM probable

R1 : GBM probable

R2 : GBM

R3 : GBM probable

Machine Learning : GBM probable

Machine Learning : PCNSL probable


Kagawa et al. EJR 2018




– Corrélations Radiogénomiques

– Signatures Pronostiques indépendantes


Radiogénomique Liu et al. AGING 2019

Radiogénomique Zinn et al. Clinical Neurosurgery 2017

Statut EGFR

Statut TP53

Radiopsy ?

Sample errors

Non representative

Contraintes techniques, spatiales

Morbidity

Zinn et al. 2017

Lambin et al. 2017

Radiopsy ?

Whole tumor heterogeneity

- In space

- Over time

Non invasive : iterative

Low cost

Sample errors

Non representative

Contraintes techniques, spatiales

Morbidity

Zinn et al. 2017

Lambin et al. 2017

Signature Pronostique Bae et al. Radiology 2018

1

2

70 yo W KPS 70

Subtotal resection Adj radioTTT

Wild-t IDH Unmeth MGMT

Radiologie conventionnelle ?


1

2

70 yo W KPS 70

Subtotal resection Adj radioTTT

Wild-t IDH Unmeth MGMT

Radiomics risk 13,7

Radiomics risk 48,0

OS 655 days

OS 264 days


Kickingereder et al. Radiology 2016

p = 0,030

p = 0,012

LR gp HR gp

p < 0,001

p = 0,007

Approche pronostique Globale Rathore et al., Nature 2018

Environnement péri-tumoral Plannification Thérapeutique

Akbari et al. 2016

Rathore et al. 2017


Akbari et al. 2016

Rathore et al. 2017

Discovery Set


Akbari et al. 2016

Rathore et al. 2017

Discovery Set

Replication Set


Akbari et al. 2016

Rathore et al. 2017

xx

• Bevacizumab • Phase III (AVAglio, RTOG-0825, EORTC-26101) • Absence de bénéfice sur population non sélectionnée

• Hétérogénéité des réponses • AVAglio et RTOG 0825 : sous-type proneural ? • Biomarqueur prédictif : sélection des patients

Théranostique Exemple du Bevacizumab

xx Théranostique Exemple du Bevacizumab

Kickingereder et al. Clin Cancer 2016

Grossmann et al. Neuro-Oncology 2017

Absence =/= critères cliniques

• Discovery vs validation

• H-R vs L-R • Signature radiomique indépendante

• Bio-information nouvelle

HR 2

HR 3,5

xx Théranostique Exemple du Bevacizumab

Kickingereder et al. Clin Cancer 2016

Grossmann et al. Neuro-Oncology 2017

HR 2

HR 3,5

Δ-Radiomics D’après Lambin et al. 2017

Sommaire




• Synthèse

General Worklow

Acquisition Extraction Pretraitement

Skull Stripping Co-registration

Denoizing Bias Correction Normalization

Segmentation Classification – Prediction

Entr

ain

emen

t et

val

idat

ion

Acquisition : IRM T1 EG Neuronav T1 SE

T2 FLAIR Ax FLAIR 3D

• Hétérogénéités de protocoles : standard,

DSC, DWI, DTI …

• Paramètres des séquences : TE, TR,

FOV, angle, épaisseur de coupe…

• Intensité de champ magnétique

Acquisition : IRM


DSC, DWI, DTI …




Acquisition : IRM


DSC, DWI, DTI …




taille voxel

Acquisition : IRM


DSC, DWI, DTI …




• Intensités arbitraires • Distorsion spatiale

taille voxel

2015

Normalisation

Coregistration

Pre-Processing

• Skull-stripping

• Co-registration

• Bias Correction (N4ITK)

• Denoizing

• Normalization

(White Stripe ++)

Tutison et al. 2010

Base image DLR

Subtraction

Pre-Processing

• Skull-stripping

• Co-registration

• Bias Correction (N4ITK)

• Denoizing

• Normalization

(White Stripe ++)

Canon Imaging – Pr. Dousset

Segmentation

Segmentation

Lerue et Defraene. 2017

• Manuelle

• Automatique

• Semi-automatique

Segmentation

Parmar et al. 2014

Lerue et Defraene. 2017

• Manuelle

• Automatique

• Semi-automatique

Extraction

Extraction

Uniformity

Skewness Entropy

Variance Kurtosis

Energy

DataManagement

Parmar et al. Nature 2015

Limites ?

Lambin et al. 2017

Radiomics

HYPE or HOPE ?

radiomique des gliomes - onco-nouvelle-aquitaine · 2019. 5. 2. · radiomique des gliomes...

Documents