<  Back to the Polytechnique Montréal portal

Prediction of Chemotherapy Response of Liver Metastases from Baseline CT-Images Using Deep Neural Networks

Ahmad Maaref

Masters thesis (2019)

[img] Restricted to: Repository staff only until 6 October 2021.
Cite this document: Maaref, A. (2019). Prediction of Chemotherapy Response of Liver Metastases from Baseline CT-Images Using Deep Neural Networks (Masters thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/4186/
Show abstract Hide abstract

Abstract

Dans les pays développés, le cancer colorectal est reconnu comme étant la deuxième cause la plus importante de mortalité liée au cancer. La chimiothérapie est considérée comme un traitement standard pour les métastases colorectales du foie (MCF). Parmi les patients qui développent des MCF, l’évaluation de la réponse du patient au traitement de chimiothérapie est souvent requise pour déterminer le besoin d’une chimiothérapie de seconde ligne, ainsi qu’une éligibilité à la chirurgie. Toutefois, tandis que les régimes basés sur un régime dénommé FOLFOX sont typiquement utilisés pour le traitement de la MCF, l’identification de la sensibilité du patient reste difficile. Les systèmes de diagnostic assistés par ordinateur peuvent fournir de l’information supplémentaire sur la classification des métastases du foie identifiées au niveau des images de diagnostic. Du aux quelques difficultés que rencontrent les radiologues pour distinguer, à l’oeil nu, les lésions traitées des lésions non-traitées, nous proposons dans cette étude un système automatisé basé sur les réseaux profonds convolutifs (RPC). Dans un premier lieu, ces réseaux profonds différencient les lésions traitées des lésions non-traitées, pour ensuite identifier les nouvelles lésions apparaissant sur les tomodensitométries. Ensuite, un réseau de neurones dense émet une prédiction, à partir des lésions non traitées visibles sur les tomodensitométries de prétraitement pour les patients à MCF sous chimiothérapie, sur leur réponse au régime spécifique de chimiothérapie. Dans ce contexte, la référence pour l’évaluation de la réponse au traitement pour le régime approprié de chimiothérapie était le degré de régression de la tumeur en histopathologie. La méthode adoptée dans cette étude nous a aidé à adresser les trois grands objectifs de ce projet de recherche. La première étape était de développer un système automatique de classification des tumeurs traitées et non-traitées à partir des tomodensitométries de patients. La deuxième étape a été de concevoir une nouvelle approche pour prédire la réponse au traitement FOLFOX qui utilise le médicament Bevacizumab en tant que traitement de première ligne. La troisième étape était de prédire le pourcentage de changement volumétrique de la tumeur suivant deux moments temporels consécutifs. Les algorithmes d’intelligence artificielle (IA), et les approches d’apprentissage profond en particulier, ont montré des progrès prometteurs en vision par ordinateur ainsi qu’en traitement d’images. Il existe de nombreuses applications en analyse d’images médicales qui utilisent des réseaux profonds convolutifs pour propulser ces progrès en avant le plus rapidement possible. En pratique, les radiologues et lesmédecins évaluent les images médicales visuellement pour le diagnostic, la détection, la récurrence, le suivi et la caractérisation des maladies. Les méthodes d’apprentissage profond sont souvent supérieures pour la reconnaissance automatique de structures complexes à partir d’images, et quantifier l’évaluation de propriétés et caractéristiques radiographiques.----------ABSTRACT: In developed countries, colorectal cancer is known as the second cause of cancer-related mortality. Chemotherapy is considered a standard treatment for colorectal liver metastases (CLM). Among patients who develop CLM, the assessment of patient response to chemotherapy is often required to determine the need for second-line chemotherapy, and eligibility for surgery. However, a drug regimen known as FOLFOX are typically used for CLM treatment, the identification of responsive patients remains elusive. Computer-aided diagnosis systems may provide insight into the classification of liver metastases identified on diagnostic images. Due to some difficulties for radiologists to distinguish between treated and untreated lesions from the naked eyes, in this study, we propose a fully automated framework based on deep convolutional neural networks (DCNN) which first differentiates treated and untreated lesions to identify new lesions appearing on CT scans, followed by a fully connected neural network to predict from untreated lesions in pre-treatment computed tomography (CT) for patients with CLMundergoing chemotherapy, their response to the specific chemotherapy regimen. In this respect, the ground truth for assessment of treatment response for proper chemotherapy regimen was histopathology to determine the tumor regression grade (TRG). The adopted method in this study helped us to address the three main research objectives. The first step is to develop an automated framework for the classification of treated and untreated tumors based on the patient’s CT images. The second step is to design a new approach for the prediction of response to FOLFOX regimens with Bevacizumab agents as the first-line of treatment. The third step is to predict the percentage of the tumor volume change following two consecutive exams. Artificial intelligence (AI) algorithms, particularly deep learning approach, have shown very astonishing progress in computer vision and image processing tasks. There are several applications in the medical image analysis area which use DCNN to propel these methods forward as quickly as possible. In practice, radiologists and physicians attempt to assess visually medical images for diagnosis, detection, recurrence, monitoring, and characterization of diseases. Deep learning methods surpass at the recognition of complicated patterns from imaging data automatically and quantify the assessment of radiographic features and characteristics.

Open Access document in PolyPublie
Department: Département de génie informatique et génie logiciel
Academic/Research Directors: Samuel Kadoury
Date Deposited: 06 Oct 2020 09:49
Last Modified: 06 Oct 2020 09:49
PolyPublie URL: https://publications.polymtl.ca/4186/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only