Desarrollo de Técnicas de Control de Calidad Automatizado para la Mejora de la Clasificación de Tumores Cerebrales a partir de sus Espectros de Resonancia Magnética Usando Convex NMF

Abstract

Actualment, 9,6 milions de persones moren anualment per càncer al món, dels quals el 2,5% corresponen a morts per tumors del cervell o del sistema nerviós central. El fet que els tumors cerebrals no mostrin símptomes en les primeres etapes sovint condueix a la detecció del càncer en una fase avançada. La manca de diagnòstic i tractament són problemes comuns que es tradueixen en un augment de la mortalitat. És per això que el desenvolupament de mètodes diagnòstics no invasius és de gran importància. L’espectroscòpia de ressonància magnètica (ERM) és una tècnica no invasiva que ens proporciona informació bioquímica important dels teixits i es pot utilitzar per a l’avaluació diagnòstica o pronòstica dels tumors cerebrals. Malauradament, la presència d’artefactes en la informació espectral pot conduir a una interpretació incorrecta i a la classificació dels tumors cerebrals. Aquesta tesi presenta una visió general d’un sistema de control espectral de qualitat dels patrons extrets de dues grans bases de dades, INTERPRET i eTUMOUR, amb un total d’uns 2.000 espectres de tumors cerebrals, utilitzant mètodes no supervisats de factorització de matriu, específicament el mètode Convex Nonnegative Matrix Factorization (CNMF). S’ha avaluat, tant quantitativament com amb l’ajuda d’espectroscòpics experts, la qualitat de les fonts de senyal extretes per CNMF per comprovar la presència o no d’artefactes en les bases de dades analitzades. La presència de nombrosos artefactes en aquestes dades, incloent-hi la mala supressió de l’aigua, el soroll o la presència de ressonàncies espúries, va suggerir la possibilitat de filtrar els artefactes i reconstruir cadascun dels espectres d’aquestes bases de dades individualment, utilitzant el mateix mètode CNMF. Per validar la reconstrucció, es va realitzar una avaluació visual, així com programes de reconeixement de patrons per mètodes supervisats (SpectraClassifier i INTERPRET).

Actualmente mueren anualmente 9,6 millones de personas por cáncer en el mundo, de los cuales un 2,5% corresponden a muertes por tumores cerebrales o del sistema nervioso central. El hecho de que los tumores cerebrales no muestren síntomas en las fases iniciales lleva a menudo a que la detección del cáncer se realice en una fase avanzada. La falta de diagnóstico y tratamiento son problemas frecuentes que redundan en el aumento de la mortalidad. Es por ello que el desarrollo de métodos de diagnóstico no invasivos es de gran importancia. La espectroscopia de resonancia magnética (ERM) es una técnica no invasiva que nos ofrece importante información bioquímica de los tejidos y que puede ser usada para la evaluación diagnóstica o pronóstica de tumores cerebrales. Desafortunadamente, la presencia de artefactos en la información espectral puede conllevar la incorrecta interpretación y clasificación de los tumores cerebrales. En esta tesis se presenta una descripción general de un sistema de control de calidad espectral de los patrones extraídos de dos grandes bases de datos, INTERPRET y eTUMOUR, con un total de unos 2,000 espectros de tumores cerebrales, utilizando métodos no supervisados de factorización de matrices concretamente el método Convex Nonnegative Matrix Factorization (CNMF). Se evalúa, tanto cuantitativamente como con la ayuda de expertos espectroscopistas, la calidad de las fuentes de señal extraídas mediante CNMF para comprobar la presencia o no de artefactos en las bases de datos analizadas. La presencia de numerosos artefactos en tales datos, entre los cuales se pueden enumerar la mala supresión de agua, el ruido, o la presencia de ecos espurios, sugirió la posibilidad de filtrar los artefactos y reconstruir individualmente cada uno de los espectros de las bases de datos utilizando el mismo método de CNMF. Para validar la reconstrucción, se realizó una evaluación visual, así como programas de reconocimiento de patrones por métodos supervisados (SpectraClassifier e INTERPRET) para validar dichas reconstrucciones.

Currently, 9.6 million people die annually from cancer in the world, of which 2.5% correspond to deaths from brain or central nervous system tumors. The fact that brain tumors do not show symptoms in the early stages often leads to cancer detection at an advanced stage. Lack of diagnosis and treatment are common problems that result in increased mortality. That is why the development of non-invasive diagnostic methods is of great importance. Magnetic resonance spectroscopy (MRS) is a non-invasive technique that offers us important biochemical information of tissues and that can be used for the preoperative or follow-up assessment of brain tumours. Unfortunately, the presence of artifacts in spectral information can lead to incorrect interpretation and classification of brain tumors based on the MRS data. This thesis presents the development of a pipeline for the control of the quality of spectral patterns extracted from two large databases of more than 2,000 spectra of brain tumors, INTERPRET and eTUMOUR, using an unsupervised methodology (Convex Nonnegative Matrix Factorization, CNMF). The quality of the signal sources extracted with CNMF is evaluated, both quantitatively and through expert spectroscopists to check for the presence or not of artifacts in the analyzed databases. The presence of numerous artifacts in such data, for example poor water suppression, noise, or spurious echoes, among others, can be found, suggested the potential of filtering these artifacts and reconstructing individually each of the spectra of the databases using the same CNMF method. This integrated approach includes visual assessment and the use of supervised pattern recognition programs (SpectraClassifier and INTERPRET ) to validate the reconstructions.