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