Évaluation de différentes approches d’analyse radiomique pour prédire le risque de récidive chez des patients atteints de tumeurs rectales localement avancées - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Access content directly
Master Thesis Year : 2020

Évaluation de différentes approches d’analyse radiomique pour prédire le risque de récidive chez des patients atteints de tumeurs rectales localement avancées

Abstract

To compare different radiomics approaches to predict patients outcome in locally advanced rectal cancer (LARC) using MRI radiomics engineered features or deep learning models at baseline and after neoadjuvant chemoradiotherapy (CRT). Methods: 98 patients from a phase II, prospective, multicenter, randomized study (GRECCAR4-NCT01333709) were included in this study. T2-weighted sequences in conjunction with diffusion weighted images (DWI) from baseline and post CRT images were used for the analysis of 3 radiomics models at baseline and after CRT using conventional machine learning (CML) techniques. For both time point, features were extracted from 2D manual segmentation (MS), 3D MS and from bounding boxes (BBs). Recursive feature elimination and a random forest classifier were used to select features and build each model. Additionally, a deep learning model (DL), using a 16-layer convolutional neural network (CNN) was evaluated as well. Results: all 6 models of CML were able to predict patient outcome with AUCs ranging from 0.69 to 0.92. Comparison of performances among the 3 baseline models and after CRT did not show significant differences. In contrast, deep learning model demonstrated hazardous performance with an average accuracy of 0.51+/-0.3. BB Model had the highest stability across the 5 iterations of the cross-validation, with an AUC of 0.8+/-0.12 at baseline and 0,83+/-0.04 after CRT to predict patient outcome. Conclusion: among the 3 radiomics approaches to predict patient outcome using CML techniques, BBs were the easiest to obtain and be translated to a busy routine practice.
Objectif : évaluer et comparer différentes approches d’analyse radiomique dans la prédiction du risque de récidive chez des patients atteints de tumeurs rectales localement avancées, en utilisant des modèles d’apprentissage conventionnel et d’apprentissage profond basés sur des données IRM en baseline et après radio chimiothérapie néo adjuvante (nRCT). Méthodes : 98 patients d’une étude prospective, multicentrique, randomisée, en phase II (GRECCAR4-NCT01333709) étaient inclus dans l’étude. Des séquences IRM en pondération T2 étaient utilisées pour l’analyse de 3 modèles radiomiques en baseline et de 3 modèles radiomiques après nRCT, en s’appuyant sur des techniques d’apprentissage conventionnel. Pour chaque groupe de modèles, les données étaient extraites après une segmentation manuelle 2D, une segmentation manuelle 3D et à partir de bounding boxes 2D. Un classifieur de type « random forest », intégrant une technique de sélection de données type « recursive feature elimination » étaient utilisés pour sélectionner les données et construire chacun des modèles. De plus, un modèle d’apprentissage profond, basé sur un réseau de neurones convolutionnels à 16 couches a également été évalué. Résultats : les 6 modèles d’apprentissage conventionnel étaient capables de prédire le risque de récidive avec des aires sous la courbe (AUC) allant de 0.69 à 0.92. La comparaison des performances entre les 3 modèles de baseline et après radio chimiothérapie néo adjuvante n’a pas montré de différence significative. Le modèle d’apprentissage profond a toutefois montré des performances médiocres, avec une précision de 0.51 +/-0.3. Le modèle utilisant une bounding box avait une plus grande stabilité à travers les 5 itérations de la validation croisée, avec une AUC de 0.83 +/-0.04 après nRCT. Conclusion : parmi les 3 approches testées en apprentissage conventionnel, les bounding boxes étaient plus simples à obtenir, plus stables en termes de performance et sont plus recommandées à utiliser en pratique clinique.
Fichier principal
Vignette du fichier
H. Tibermacine TM nouvelle version.pdf (5.06 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

dumas-03140051 , version 1 (12-02-2021)

Licence

Attribution - NonCommercial - ShareAlike

Identifiers

  • HAL Id : dumas-03140051 , version 1

Cite

Hichem Tibermacine. Évaluation de différentes approches d’analyse radiomique pour prédire le risque de récidive chez des patients atteints de tumeurs rectales localement avancées. Human health and pathology. 2020. ⟨dumas-03140051⟩
23 View
458 Download

Share

Gmail Facebook X LinkedIn More