Use este identificador para citar ou linkar para este item:
https://repositorio.ufpe.br/handle/123456789/64352
Compartilhe esta página
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | DINIZ, Paula Rejane Beserra | - |
dc.contributor.author | LUZ, Cristine Zelaquett de Souza Ramalho | - |
dc.date.accessioned | 2025-07-11T13:48:11Z | - |
dc.date.available | 2025-07-11T13:48:11Z | - |
dc.date.issued | 2024-03-25 | - |
dc.identifier.citation | LUZ, Cristine Zelaquett de Souza Ramalho. Biópsia virtual usando radiômica por ressonância magnética na avaliação de gliomas do sistema nervoso central. 2024. Dissertação (Mestrado em Neuropsiquiatria e Ciências do Comportamento) - Universidade Federal de Pernambuco, Recife, 2024. | pt_BR |
dc.identifier.uri | https://repositorio.ufpe.br/handle/123456789/64352 | - |
dc.description.abstract | Radiômica é uma abordagem avançada de análise de imagens médicas que envolve a extração quantitativa de um grande número de características das imagens, com o objetivo de capturar informações minuciosas e não visíveis a olho nu. Os gliomas são tumores primários originários das células da glia e representam cerca de 27% de todos os tumores do sistema nervoso central. Imagens médicas para classificação de gliomas de acordo com a Organização Mundial de Saúde continua sendo um desafio. O objetivo do trabalho é investigar o desempenho da análise quantitativa baseada em radiômica em imagens de ressonância magnética, T1 Volumétrico pós-contraste (3D T1CE), FLAIR e ADC na região tumoral, para predição da diferenciação dos tumores gliais de alto e baixo grau. Trata-se de um estudo retrospectivo, baseado em análise dos registros anátomo-patológicos e de imagens de RM de pacientes operados em um hospital terciário, atendidos entre janeiro de 2019 a dezembro de 2022, que obedeceram aos critérios de seleção da amostra. Cento e setenta e seis gliomas confirmados histologicamente realizaram as sequências 3D T1 CE, FLAIR e ADC de RM, antes de qualquer intervenção. O volume de interesse cobrindo todo o realce do tumor foi desenhado manualmente nas sequências descritas usando o software 3D slicer e um total de 105, 117, 114 características foram extraídas do VOI, das sequências descritas, respectivamente. Um algoritmo de inteligência artificial, floresta aleatória foi aplicado para diferenciar gliomas de baixo (LGG) e alto graus (HGG) e a eficácia foi testada com validação cruzada de 10 vezes. Em seguida, a eficácia diagnóstica do aprendizado de máquina baseado em radiômica foi comparada entres as três sequências. Foram incluídos neste estudo 130 HGG e 46 LGG, o HGG tendeu a apresentar necrose proeminente, edema perilesional, realce e a multifocalidade dos tumores (P <0,05). A sensibilidade, especificidade, precisão, acurácia e área sob a curva ROC (AUC) da radiômica foram de 94,59%, 92,68%, 92,11%, 93,59% e 0,9364 para 3DT1 CE; 94,74%, 89,47%, 90,0%, 92,11%, 0,9211 para FLAIR; 83,78%,92,68%,91,18%,88,46%, 0,8823 para ADC e 90%, 90,99%, 91,56%, 90,47% e 0,9050 para a combinação dessas sequências, respectivamente. O aprendizado de máquina baseado em radiômica na sequência 3D T1CE ofereceu eficácia superior às demais sequências de RM avaliadas, não houve melhor classificação com o uso de sequências isoladas. A aplicação clínica do aprendizado de máquina baseado em radiômica pode ser justificada com base em nosso estudo. | pt_BR |
dc.language.iso | por | pt_BR |
dc.publisher | Universidade Federal de Pernambuco | pt_BR |
dc.rights | openAccess | pt_BR |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_BR |
dc.subject | Radiômica | pt_BR |
dc.subject | Classificação de gliomas | pt_BR |
dc.subject | Aprendizado de máquina | pt_BR |
dc.subject | Ressonância magnética | pt_BR |
dc.title | Biópsia virtual usando radiômica por ressonância magnética na avaliação de gliomas do sistema nervoso central | pt_BR |
dc.type | masterThesis | pt_BR |
dc.contributor.authorLattes | http://lattes.cnpq.br/3551027810009573 | pt_BR |
dc.publisher.initials | UFPE | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.degree.level | mestrado | pt_BR |
dc.contributor.advisorLattes | http://lattes.cnpq.br/6032387770807260 | pt_BR |
dc.publisher.program | Programa de Pos Graduacao em Neuropsiquiatria e Ciencia do Comportamento | pt_BR |
dc.description.abstractx | Radiomics is an advanced approach to the analysis of medical images that involves the quantitative extraction of a large number of features from images, aiming to capture detailed information not visible to the naked eye. Gliomas are primary tumors originating from glial cells and represent approximately 27% of all central nervous system. Medical imaging for grading gliomas according to the World Health Organization remains a challenge. The objective of this study is to investigate the performance of radiomics-based quantitative analysis on magnetic resonance imaging, post-contrast volumetric T1 (3D T1CE), FLAIR, and ADC in the tumor region, for predicting the differentiation of high-grade and low-grade gliomas. This is a retrospective study based on the analysis of anatomopathological records and MRI images of patients operated on at a tertiary hospital, treated between January 2019 and December 2022, who met the sample selection criteria. One hundred and seventy-six histologically confirmed gliomas underwent 3D T1CE, FLAIR, and ADC MRI sequences before any intervention. The volume of interest covering the entire tumor enhancement was manually delineated in the described sequences using 3D Slicer software, and a total of 105, 117, 114 features were extracted from the VOI in the described sequences, respectively. An artificial intelligence algorithm, Random Forest, was applied to differentiate low-grade (LGG) and high-grade gliomas (HGG), and efficacy was tested with 10-fold cross-validation. Then, the diagnostic efficacy of radiomics-based machine learning was compared among the three sequences. 130 HGG and 46 LGG were included in this study; HGG tended to present prominent necrosis, perilesional edema, enhancement, and tumor multifocality (P <0.05). The sensitivity, specificity, accuracy, precision, and area under the ROC curve (AUC) of radiomics were 94.59%, 92.68%, 92.11%, 93.59%, and 0,9364 for 3D T1CE; 94.74%, 89.47%, 90.0%, 92.11%, 0,9211 for FLAIR; 83.78%, 92.68%, 91.18%, 88.46%, 0,8823 for ADC; and 90%, 90.99%, 91.56%, 90.47%, and 0,9050 for the combination of these sequences, respectively. Radiomics based machine learning in the 3D T1CE sequence offered superior efficacy compared to the other evaluated MRI sequences, and there was no improved classification with the use of isolated sequences. The clinical application of radiomics-based machine learning can be justified based on our study. | pt_BR |
Aparece nas coleções: | Dissertações de Mestrado - Neuropsiquiatria e Ciência do Comportamento |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
DISSERTAÇÃO Cristine Zelaquett de Souza Ramalho Luz.PDF | 2,41 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este arquivo é protegido por direitos autorais |
Este item está licenciada sob uma Licença Creative Commons