Classificação computadorizada de imagens de ressonância magnética da coluna vertebral para diferenciação de fraturas vertebrais por compressão benignas e malignas utilizando uma abordagem 3D (2022)
- Authors:
- Autor USP: CORREIA, NATÁLIA SANTANA CHIARI - FMRP
- Unidade: FMRP
- Sigla do Departamento: RCM
- Subjects: APRENDIZADO COMPUTACIONAL; COLUNA VERTEBRAL; VÉRTEBRAS CERVICAIS; REDES NEURAIS; RESSONÂNCIA MAGNÉTICA; COMPRESSÃO NERVOSA
- Keywords: Aprendizado de máquina; Artificial neural network; Atributos radiômicos; Coluna vertebral; Fraturas vertebrais por compressão; Machine learning; MRI; Radiomic features; Redes neurais artificiais; Ressonância magnética; Spine; Vertebral compression fractures
- Agências de fomento:
- Language: Português
- Abstract: Introdução: O estudo para diferenciação de fraturas vertebrais por compressão (FVCs) benignas (secundárias à osteoporose) e malignas (secundárias à infiltração neoplásica) tem sido objeto de pesquisa por mais de 20 anos e os critérios utilizados para realizar o diagnóstico diferencial em exames de ressonância magnética (RM), que é a modalidade mais relevante para o diagnóstico de doenças malignas da coluna vertebral, ainda são considerados inespecíficos. A Radiômica, que é a prática de extrair características quantitativas de imagens médicas para gerar dados que possam ser analisados por meio de técnicas de mineração, tem obtido ótimos resultados na criação de modelos para predição diagnóstica, prognóstica e de resposta à terapia. Assim, nosso objetivo nesse trabalho foi utilizar a abordagem radiômica para extrair informações quantitativas tridimensionais de exames de RM da coluna vertebral e investigar a possibilidade de encontrar uma assinatura radiômica que, associada a um modelo computacional, fosse capaz de diferenciar FVCs malignas e benignas. Material e Métodos: Este estudo retrospectivo analisou exames de RM da coluna lombar na sequência sagital ponderada em T1 de 91 pacientes (36 homens e 55 mulheres, com idade média de 64,24 ± 11,75 anos), que foram diagnosticados com uma ou mais FVCs no período de 2010 a 2019 e que estavam sendo acompanhados no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HCFMRP-USP). 146 corpos vertebrais foram segmentados e tiveram suas características quantitativas extraídas tridimensionalmente. Diferentes combinações metodológicas para cada etapa do reconhecimento de padrão em imagens foram exploradas e a configuração que obteve os melhores resultados foi a segmentação semiautomática realizada com o software 3D Slicer, a extração de atributos quantitativos tridimensionais utilizando abiblioteca PyRadiomics e a classificação com rede neural artificial Multilayer Perceptron. Para validar o modelo, foram utilizadas as técnicas de validação cruzada de 10 folds (validação interna) e a classificação de um conjunto de teste independente (validação externa). A avaliação foi realizada por meio das métricas de acurácia, área sob a curva ROC, sensibilidade e especificidade, com um intervalo de confiança de 95%. Resultados: O conjunto de treinamento foi formado por 100 corpos vertebrais fraturados (54 fraturas benignas e 46 malignas) provenientes de 61 pacientes com idade média de 63,2 ± 12,5 anos e o conjunto de teste compreendeu 30 corpos vertebrais fraturados (15 fraturas benignas e 15 malignas) provenientes de 30 pacientes com idade média de 66,4 ± 9,9 anos. No teste de validação interna, realizado entre 30 modelos gerados por meio da randomização do conjunto de dados, as médias para acurácia, AUC ROC, sensibilidade e especificidade foram, respectivamente, 90,97% (IC de 95%: 90,22%, 91,72%), 0,97 (IC de 95%: 0,966, 0,974), 89,36% (IC de 95%: 88,18%, 90,54%) e 92,33% (IC de 95%: 91,34%, 93,32%). Na validação interna do melhor modelo, essas mesmas métricas alcançaram os seguintes valores: acurácia = 95%, AUC ROC = 0,98, sensibilidade = 93,5% e especificidade = 96,3%. No teste de validação externa, por sua vez, os valores para acurácia, AUC ROC, sensibilidade e especificidade foram, respectivamente, 93,3%, 0.97, 93.3% e 93.3%. Conclusão: O modelo baseado em rede neural proposto neste estudo usando características radiômicas tridimensionais foi capaz de diferenciar fraturas vertebrais por compressão benignas e malignas com excelente desempenho, superando as limitações de estudos anteriores. Sua provável maior contribuição seria aumentar a eficiência diagnóstica dos radiologistas para essas duas condições clínicas, possibilitando umaeventual redução do número de biópsias realizadas e do tempo gasto para liberação do diagnóstico final
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2022
- Data da defesa: 06.04.2022
-
ABNT
CORREIA, Natália Santana Chiari. Classificação computadorizada de imagens de ressonância magnética da coluna vertebral para diferenciação de fraturas vertebrais por compressão benignas e malignas utilizando uma abordagem 3D. 2022. Tese (Doutorado) – Universidade de São Paulo, Ribeirão Preto, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/17/17138/tde-12072022-153129/. Acesso em: 03 jun. 2024. -
APA
Correia, N. S. C. (2022). Classificação computadorizada de imagens de ressonância magnética da coluna vertebral para diferenciação de fraturas vertebrais por compressão benignas e malignas utilizando uma abordagem 3D (Tese (Doutorado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://www.teses.usp.br/teses/disponiveis/17/17138/tde-12072022-153129/ -
NLM
Correia NSC. Classificação computadorizada de imagens de ressonância magnética da coluna vertebral para diferenciação de fraturas vertebrais por compressão benignas e malignas utilizando uma abordagem 3D [Internet]. 2022 ;[citado 2024 jun. 03 ] Available from: https://www.teses.usp.br/teses/disponiveis/17/17138/tde-12072022-153129/ -
Vancouver
Correia NSC. Classificação computadorizada de imagens de ressonância magnética da coluna vertebral para diferenciação de fraturas vertebrais por compressão benignas e malignas utilizando uma abordagem 3D [Internet]. 2022 ;[citado 2024 jun. 03 ] Available from: https://www.teses.usp.br/teses/disponiveis/17/17138/tde-12072022-153129/ - Análise da competitividade entre hospitais a partir do fluxo de pacientes no DRS-XIII
- Computer-aided diagnosis of vertebral compression fractures using convolutional neural networks and radiomics
- ALLFA-Artificial InteLLigence for Forensic anthropology
- Impact of feature selection on clustering images of vertebral compression fractures
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
