Radiomics in der Mamma MRT: Klassifikation kontrastmittelaufnehmender Läsionen nach ihrer Dignität mittels zweier klassischer Machine Learning Algorithmen

Schneider, Hannah Sophia; Najjari, Laila; Schrading, Simone

doi:10.18154/RWTH-2020-07774

Radiomics in der Mamma MRT: Klassifikation kontrastmittelaufnehmender Läsionen nach ihrer Dignität mittels zweier klassischer Machine Learning Algorithmen = Radiomics in Breast MRI: Classification of contrast-enhancing lesions by their dignity using two conventional machine learning algorithms

Schneider, Hannah Sophia^RWTH*

2020

Verantwortlichkeitsangabevorgelegt von Hannah Sophia Schneider

ImpressumAachen 2020

Umfang1 Online-Ressource (IV, 66 Seiten) : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak10

Hauptberichter/Gutachter
Schrading, Simone (Thesis advisor)^RWTH* ; Najjari, Laila (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2020-06-12

Online
DOI: 10.18154/RWTH-2020-07774
URL: http://publications.rwth-aachen.de/record/794608/files/794608.pdf

Einrichtungen

Klinik und Lehrstuhl für Diagnostische und Interventionelle Radiologie (532010-2)

Thematische Einordnung (Klassifikation)
DDC: 610

Kurzfassung
In dieser Arbeit wird die Anwendung von klassischen Radiomics Algorithmen in der Mamma MRT zur Klassifikation von kontrastmittelaufnehmenden Läsionen dargestellt. Dazu wurden 1294 Läsionen aus 447 Mamma-MRT aus der klinischen Routine manuell segmentiert und insgesamt 562 Bildfeatures extrahiert. Diese beinhalteten sowohl Form-, Intensitäts- und Texturfeatures jeweils aus den standardmäßig akquirierten MRT-Sequenzen. Als Zielwert wurde die per Histopathologie oder 2-jährigem Follow-Up gesicherte Dignität der Läsion erhoben, zum Vergleich mit der radiologischen Beurteilung wurden die prospektiven Befunde in läsionsspezifischen BI-RADS®- Kategorien eingeteilt. Mittels der extrahierten Features und den zugehörigen Zielwerten wurden zwei verschiedene, „klassische“ Radiomics Algorithmen - die L1-Regularisierung und die Hauptkomponentenanalyse - trainiert und validiert. Dabei lagen die Klassifikationsleistungen mit Sensitivitäten von 72% bzw. 68%, Spezifitäten von 76% bzw. 75% und einer AUC von 0,81 bzw. 0,78 zwar im klinisch akzeptablen Bereich, die Befundung durch den radiologischen Experten war jedoch deutlich überlegen (Sensitivität 100%, Spezifität 86%, AUC 0,98). Eine Auswertung auf dem halben Datensatz erbrachte keine schlechteren Ergebnisse, mit der Schussfolgerung, dass ein Training auf einer größeren Datenmenge keine Verbesserung im Sinne eines lernenden Systems ergibt. Bei Betrachtung der selektierten Features, d.h. der sogenannten „radiomic signature“, zeigte sich, dass insbesondere Features, welche die Form oder die intratumorale Heterogenität der Kontrastmittelaufnahme beschreiben, bedeutsam für die Unterscheidung benigner von malignen Läsionen sind. In der klinischen Anwendung der Algorithmen als computerassistiertes Diagnostikum ließe sich die diagnostische Genauigkeit der Mamma MRT erhöhen, wodurch sich ein erhöhter Einsatz dieser Modalität, ggf. auch als Screening- Instrument erhofft werden kann. In Zukunft kann somit eine frühere und bessere Detektion insbesondere mammografisch okkulter Tumoren möglich werden. Des Weiteren kann durch eine Korrelation von Bildfeatures mit tumorspezifischen, z.B. immunhistochemischen oder molekulargenetischen Parametern, wie dem Proliferationsmarker Ki-67 oder dem OnkotypeDX® Score eine Nutzung der „radiomic signatures“ als komplementäre Biomarker in der Präzisionsmedizin, zur verbesserten Biopsieplanung durch Darstellung der räumlichen Tumorheterogenitäten oder als digitale Biopsie möglich werden. Außerdem liegt eine verbesserte Therapiekontrolle nach neoadjuvanter Chemotherapie oder nach adjuvanter Radiotherapie nahe. Bis zu einem Einsatz in der klinischen Routine sind jedoch einige Weiterentwicklungen nötig, wobei insbesondere die Anwendung komplexerer Methoden wie Deep bzw. Transfer Learning Algorithmen vielversprechend sind.

In this doctoral thesis, the application of radiomic algorithms in Mamma MRI for classification of contrast-enhancing lesions is depicted. 1294 lesions out of 447 breast MRI examinations were manually segmented and 562 image features were extracted in total. These included shape, statistical and texture features from routinely acquired MRI sequences. Either histopathological analysis or a 2-year follow-up were used as target values, and for comparison with a radiological expert, lesions were grouped into BI-RADS® categories according to their prospective diagnostic reports. Correlation of the extracted features and the corresponding target values was performed by training and validation of two conventional radiomic algorithms - L1-Regularization and Principal Component Analysis. Though classification results were clinically acceptable (sensitivity 72% and 68%, specificity 76% and 75%, AUC 0,81 and 0,78 respectively), those by the radiologist experts were still superior (sensitivity 100%, specificity 86%, AUC 0,98). A second evaluation on a half-size data set resulted in no deterioration of classificator performance, leading to the conclusion, that an increase in sample size would lead to no improvement by means of a learning system. Considering the selected feature (the so-called radiomic signature), especially features describing shape or intratumoral heterogeneity of contrast enhancement were significant for differentiation of benign vs. malignant lesions. Clinical applications of radiomic algorithms as computer-assisted diagnostic systems might improve diagnostic performance of breast MRI, leading to an increased number of examinations and even an implementation in screening programs. Subsequently, an earlier and better detection of conventionally occult tumors would be possible. Moreover, correlation of image features with tumor-specific parameters, i.e. immunohistochemistry or molecular genetics like the proliferation marker Ki-67 or the OnkotypeDX® Score, might make a future use of image biomarkers as complementary biomarker in precision medicine, for an improved planning of biopsies by depiction of intratumoral heterogeneity or even as virtual biopsies possible. In addition, an improved follow-up of neoadjuvant chemotherapy or adjuvant radiotherapy is conceivable. Until radiomic algorithms can be of clinical use, further development is necessary with promising first results of studies using deep or transfer learning algorithms.

OpenAccess:
PDF
(zusätzliche Dateien)