Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Agata Żurawska

Analiza tekstury nowotworów piersi i guzów mózgu w obrazach DW rezonansu magnetycznego


Texture analysis of diffusion weighted breast cancer and brain tumor images


Opiekun pracy dyplomowej: prof. dr hab. inż. Andrzej Materka
Dodatkowy opiekun pracy dyplomowej: dr inż. Aleksandra Królak

Praca dyplomowa BSc - IFE obroniona 2017-02-10
Streszczenie pracy dyplomowej:
W ostatnim czasie szczególną uwagę przykłada się do niejednorodnej struktury nowotworów, gdyż może ona wpływać na decyzję co do przeprowadzonej terapii i na rokowanie pacjentów. Dotychczas charakterystyka nowotworów piersi in vivo była ograniczona i skupiała się głównie na analizie zdjęć wspomaganych środkiem cieniującym. Głównym celem tej pracy jest zbadanie różnorodności zmian nowotworowych poprzez zastosowanie analizy teksturowej w obrazowaniu uzależnionym od dyfuzji wody. Przeprowadzone testy są innowacyjne, zastosowane po raz pierwszy w obrazach DW. Badanie obejmowało 17 pacjentek (średnia wieku 51.5 roku; zakres 33-72 lata), w tym 5 nowotworów łagodnych (fibroadenoma) i 13 złośliwych (invasive ductual carcinoma). Pacjentki zostały poddane badaniom przy użyciu skanera rezonansu magnetycznego (3T), cewka 4-kanałowa, w sekwencji uwrażliwionej na dyfuzję wody z wartościami b= 0 i 1000s/mm2. Dane były analizowane w środowisku MatLab i programie MaZda: obszary zainteresowania (ROI) były zlokalizowane w zmianach patologicznych w sekwencji b=1000 s/mm2 oraz w zdrowych tkankach; zastosowano analizę teksturową (TA). W poszczególnych macierzach zdarzeń (ang. Gray Level Cooccurence Matrix) były obliczane parametry analizy teksturowej: jednorodność, korelacja, kontrast i energia. Następnie przeprowadzono analizę statystyczną obliczając dla wyznaczonych parametrów medianę i rozstęp ćwiartkowy (IQ) dla zmian łagodnych i złośliwych, a ich wartości były porównane (znaczenie: 5%). Na podstawie wyników badań można zauważyć kilka zależności: zmiany złośliwe były znacznie bardziej zróżnicowane niż łagodne zmiany (jednorodność: 0.07; IQ 0.31; p=0.00), ale nie było znacznych różnic pomiędzy nowotworem łagodnym, a tkanką zdrową. Jednakże zdrowe obszary wykazywały znacznie niższą korelację niż zmiany łagodne (p=0.002) i złośliwe (p=0.001). W przypadku obliczeń w programie MaZda wyniki były mniej jednorodne i precyzyjne, ale nieznacznie różne od MatLaba. Analiza teksturowa obrazów MRI zależnych od dyfuzji wykazała obiecujące wyniki dla charakterystyki niejednorodności nowotworu.
Abstract:
In recent times considerable attention has been given to tumour heterogeneity, as it may influence tumour therapeutic decision and prognosis. Nonetheless, approaches to the in vivo characterization of breast tumour lesions have been limited and focused mostly on the analysis of dynamic contrast imaging data. Therefore, the main goal of this work was to study breast tumour lesions’ heterogeneity using, as far as we know for the first time, texture analysis applied to diffusion-weighted images. The study enrolled 17 women (mean age: 51.5 years old; range: 33-72 years old) with 5 benign tumours (fibroadenoma) and 13 malignant tumours (invasive ductal carcinoma). Women were scanned using a 3T MRI scanner, a 4-channel breast coil, and a diffusion-sensitized sequence with b-values 0, and 1000 s/mm2. Data was analysed in MatLab and MaZda: regions-of-interest were placed inside lesions in b=1000 s/mm2 images, and also in healthy parenchyma; and Texture Analysis (TA) was performed. In particular Grey Level Co-Occurrence Matrices were computed and TA parameters homogeneity (inverse difference moment), correlation, contrast and energy (angular second moment) were derived. Finally, median and interquartiles values (IQ range) of these parameters were calculated for benign and malignant lesions and values were compared (significance of 5%). It was observed that malignant lesions were significantly more heterogeneous than benign lesions- MatLab calculations- (homogeneity: 0.07; IQ0.03 vs 0.16; IQ0.31; p=0.000), but that no difference existed between benign lesions and healthy parenchyma. Nonetheless, healthy parenchyma showed significantly less correlation than benign (p=0.002) and malignant (p=0.001) lesions. In MaZda the results were slightly less precise, but they agreed with the results of MatLab. TA analysis of diffusion-weighted images showed promising results for the characterization of tumour heterogeneity.