h1

000794608 001__ 794608
000794608 005__ 20230411161118.0
000794608 0247_ $$2HBZ$$aHT020539398
000794608 0247_ $$2Laufende Nummer$$a39543
000794608 0247_ $$2datacite_doi$$a10.18154/RWTH-2020-07774
000794608 037__ $$aRWTH-2020-07774
000794608 041__ $$aGerman
000794608 082__ $$a610
000794608 1001_ $$0P:(DE-588)1214850065$$aSchneider, Hannah Sophia$$b0$$urwth
000794608 245__ $$aRadiomics in der Mamma MRT: Klassifikation kontrastmittelaufnehmender Läsionen nach ihrer Dignität mittels zweier klassischer Machine Learning Algorithmen$$cvorgelegt von Hannah Sophia Schneider$$honline
000794608 246_3 $$aRadiomics in Breast MRI: Classification of contrast-enhancing lesions by their dignity using two conventional machine learning algorithms$$yEnglish
000794608 260__ $$aAachen$$c2020
000794608 300__ $$a1 Online-Ressource (IV, 66 Seiten) : Illustrationen, Diagramme
000794608 3367_ $$02$$2EndNote$$aThesis
000794608 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000794608 3367_ $$2BibTeX$$aPHDTHESIS
000794608 3367_ $$2DRIVER$$adoctoralThesis
000794608 3367_ $$2DataCite$$aOutput Types/Dissertation
000794608 3367_ $$2ORCID$$aDISSERTATION
000794608 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000794608 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2020$$gFak10$$o2020-06-12
000794608 5203_ $$aIn 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.$$lger
000794608 520__ $$aIn 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.$$leng
000794608 588__ $$aDataset connected to Lobid/HBZ
000794608 591__ $$aGermany
000794608 7001_ $$0P:(DE-82)042863$$aSchrading, Simone$$b1$$eThesis advisor$$urwth
000794608 7001_ $$0P:(DE-82)012054$$aNajjari, Laila$$b2$$eThesis advisor$$urwth
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608.pdf$$yOpenAccess
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608_source.docx$$yRestricted
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608.gif?subformat=icon$$xicon$$yOpenAccess
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608.jpg?subformat=icon-1440$$xicon-1440$$yOpenAccess
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608.jpg?subformat=icon-640$$xicon-640$$yOpenAccess
000794608 8564_ $$uhttps://publications.rwth-aachen.de/record/794608/files/794608.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000794608 909CO $$ooai:publications.rwth-aachen.de:794608$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000794608 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1214850065$$aRWTH Aachen$$b0$$kRWTH
000794608 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)042863$$aRWTH Aachen$$b1$$kRWTH
000794608 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)012054$$aRWTH Aachen$$b2$$kRWTH
000794608 9141_ $$y2020
000794608 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000794608 9201_ $$0I:(DE-82)532010-2_20140620$$k532010-2$$lKlinik und Lehrstuhl für Diagnostische und Interventionelle Radiologie$$x0
000794608 961__ $$c2020-09-16T10:52:52.514460$$x2020-07-21T09:49:07.140314$$z2020-09-16T10:52:52.514460
000794608 9801_ $$aFullTexts
000794608 980__ $$aI:(DE-82)532010-2_20140620
000794608 980__ $$aUNRESTRICTED
000794608 980__ $$aVDB
000794608 980__ $$aphd