On the use of advanced pattern recognition techniques for the analysis of MRS and MRSI data in neuro-oncology

Abstract

El cáncer es una de las principales causas de muerte en el mundo. Los tumores cerebrales tienen una incidencia relativamente baja en comparación con otras patologías cancerígenas más generalizadas, pero la prognosis de algunos es muy pobre, contribuyendo significativamente a su morbilidad. La gestión clínica de una masa anormal en el cerebro es materia delicada y difícil, por lo que los expertos han de basarse en mediciones indirectas no invasivas de las características del tumor y de su crecimiento. En la práctica radiológica actual, estas mediciones se realizan a menudo mediante técnicas de resonancia magnética (MR), como la imagen (MRI) y la espectroscopia (MRS). La vasta información contenida en las señales de MR les hace ideales para la aplicación de técnicas de reconocimiento de patrones (PR). Durante las dos últimas décadas, estas técnicas se han aplicado con éxito al problema de la extracción de conocimiento a partir de datos de tumores cerebrales humanos, para su diagnóstico y pronóstico. No obstante, la discriminación de algunos tipos y subtipos de tumores, así como la delimitación precisa del área tumoral, continúan siendo un reto para los investigadores. En esta tesis, abordamos tales retos mediante la aplicación de un conjunto de técnicas avanzadas de PR. En primera instancia, se implementaron una variedad de técnicas comunes y bien conocidas en una herramienta integrada de software. Esta fue utilizada en tareas de reducción de dimensionalidad (DR), clasificación y evaluación de modelos, para el desarrollo de clasificadores apropiados para analizar datos de MRS. Posteriormente, se profundizó en el desarrollo de métodos de extracción de características (FE), para proponer un método que proporciona prototipos de señal interpretables a partir de los datos de MRS. En una siguiente fase, dos técnicas de descomposición espectral fueron utilizadas para extraer fuentes de MRS e identificar la que proporciona mejores resultados en el contexto de problemas de neuro-oncología, utilizando datos de MRS de un solo vóxel (SV). El mejor y más adecuado método de extracción de fuentes resultante se utilizó posteriormente para derivar fuentes correlacionadas con los espectros promedio de los tipos de tejidos estudiados. El primer enfoque se aplicó también en el contexto de datos de múltiples vóxeles (MV), donde se propone un mecanismo para delimitar la zona patológica del tumor. Las contribuciones se pueden resumir de la siguiente manera. En primer lugar, el desarrollo de una herramienta de software que ha permitido reproducir clasificadores previamente publicados, así como probar nuevas hipótesis. También se ha contribuido con un método de FE, cuyo rendimiento es comparable a su contraparte más comúnmente utilizada en el análisis de datos de MRS, al tiempo que mejora su interpretación. Por otra parte, hemos identificado la variante de descomposición espectral que mejor se adapta al análisis de datos de SV MRS, llamada Convex Non-negative Matrix Factorisation (NMF), mostrando su capacidad para discriminar entre tejido sano, necrosis y tumor en proliferación activa, con resultados que son comparables a los obtenidos en modo supervisado. Con los datos de MV, los resultados obtenidos evidencian que es posible conseguir una delimitación precisa de la zona patológica mediante la aplicación de Convex-NMF. Con esta tesis, ofrecemos una herramienta a radiólogos espectroscopistas para facilitar el desarrollo de clasificadores para el análisis de datos de MRS, en un amplio grupo de tipos tumorales. También ofrecemos una alternativa no supervisada para mejorar la discriminación entre tipos y subtipos tumorales, colocando este enfoque un paso por delante de los métodos supervisados clásicos. Esto nos ha permitido hacer frente a una de las principales fuentes de incertidumbre en el manejo clínico de tumores cerebrales: la dificultad de delimitar adecuadamente el área patológica.

Cancer is a leading cause of death worldwide. Tumours of the Central Nervous System and, among them, brain tumours have a relatively low incidence as compared to other more widespread cancer pathologies, but the prognosis of some of them is very poor, contributing significantly to morbidity. The clinical management of an abnormal mass in the brain is sensitive and difficult, making experts to rely on non-invasive indirect measurements of the tumour characteristics and growth. In current radiological practice, these data measurements are often provided by magnetic resonance (MR) techniques, such as imaging (MRI) and spectroscopy (MRS). The rich information contained in MR signals makes them ideally suited to the application of pattern recognition (PR) techniques. Over the last two decades, these techniques have been successfully used to address the problem of knowledge extraction from human brain tumour data, for their diagnosis and prognosis. Nevertheless, the discrimination of some tumour types and subtypes, along with the accurate delimitation of the tumour area, remained challenging. In this thesis, we approach these challenges using a set of advanced PR techniques. A variety of common and well-known dimensionality reduction (DR), classification, and evaluation methods are first gathered in a software tool, used for the development of classifiers that are suitable for the analysis of MRS data. We then delve into the feature extraction (FE) family of DR methods to propose a method that is robust in the presence of noise, not prone to overfitting, and which also provides interpretation of the extracted MRS signal prototypes. Two spectral decomposition techniques, in different algorithmic variants, are subsequently used to extract the sources of the MRS signals and identify the one that provides better results in the context of neuro-oncology, using single-voxel (SV) MRS data. The best and most adequate source extraction method is then used to derive sources correlated with the mean spectra of known tissue types. The former, an unsupervised approach, is also applied in this thesis in the multi-voxel (MV) context, where we propose a mechanism for delimiting the pathological area of the tumour. The contributions of this thesis can be summarised as follows. First, the development of a software tool allowed us to reproduce previously published MRS-based classifiers, and test new hypotheses that led to new publications. We also contributed a FE method, whose performance is comparable to its most commonly used counterpart in MRS data analysis, while improving on the interpretability. Moreover, we identified the spectral decomposition variant that best suits the analysis of SV MRS data, namely Convex Non-negative Matrix Factorisation (NMF), and showed its ability to discriminate between healthy tissue, necrosis, and actively proliferating tumour, with results that are comparable to those obtained in fully supervised mode. For MV data, we successfully benchmarked alternative spectral decomposition methods, and provided evidence supporting that very accurate delimitation can be achieved through the application of Convex-NMF. With this thesis, we provide spectroscopists with a tool that facilitates the development of classifiers for the analysis of MRS data, for a large group of tumour types; allowing them to concentrate on the interpretation of the results, without requiring a specialised mathematical expertise for testing their hypotheses. We also provide an unsupervised alternative to improve the discrimination between tumour types and subtypes, placing this approach one step ahead of classical label-requiring supervised methods for detection of the increasingly recognised molecular subtype heterogeneity within human brain tumours. This also allowed us to accurately tackle one of the main sources of uncertainty in the clinical management of brain tumours, which is the difficulty of appropriately delimiting the pathological area.