Large Field of View Raman Imaging Clinical Prototype to Guide Brain Cancer Resection Surgery

vec 43 % des Canadiens prévus de développer un cancer au cours de leur vie, on s'attend à ce que les systèmes de santé soient surchargés sans interventions novatrices et plus efficaces pour les patients. Les tumeurs cancéreuses sont souvent enlevées chirurgicalement et lorsque ces interventions chirurgicales échouent à éliminer toutes les cellules cancéreuses, le risque de récidive menace de ramener les patients au bloc opératoire ou même pire, de mettre fin prématurément à leur vie. Sans aucun outil pour visualiser le cancer résiduel, les chirurgiens ont le choix entre soit retirer aveuglément des tissus sains supplémentaires autour de la tumeur pour s'assurer que tout le cancer résiduel est réséqué, soit laisser le cancer résiduel chez le patient pour épargner les tissus sains. Dans le cas des chirurgies de tumeurs cérébrales, épargner les tissus sains est souvent préférable car la résection peut affecter les fonctions cognitives et motrices du patient. Cependant, cela entraîne une probabilité très élevée de récidive dans certains types de tumeurs cérébrales. Si les chirurgiens pouvaient visualiser le cancer résiduel chez le patient ou sur les spécimens fraîchement réséqués pendant la chirurgie, cela leur permettrait de localiser et d'éliminer plus de cancer tout en épargnant les tissus sains et donc, d'améliorer le pronostic des patients. Cette thèse vise au développement d'un système d'imagerie Raman à grand champ de vision pour fournir aux chirurgiens les moyens de visualiser le cancer résiduel pendant la chirurgie. Le premier objectif de la thèse consiste à développer et à caractériser le système d'imagerie Raman pour la caractérisation tissulaire moléculaire basée sur l'apprentissage automatique. Le système a été conçu pour imager la signature Raman du tissu sur un champ de vision de 1 cm2. Il a été démontré qu'il acquiert de manière fiable la signature du tissu en moins de 5 minutes et que cette signature, associée à l'apprentissage automatique, pourrait être utilisée pour localiser les frontières tissulaires. Le deuxième objectif est d'améliorer le système Raman pour créer un prototype clinique portable destiné à être utilisé dans une salle d'opération. Le système a été monté sur un chariot et équipé d'un bras de support pour effectuer des mesures in vivo. Il a également été démontré que le système pouvait être déployé en toute sécurité pour être utilisé chez des patients humains et que le flux de travail d'apprentissage automatique était généralisable à un jeu de données de tissus factice. Le troisième objectif consiste à tester le système dans un contexte réel en capturant la signature de spécimens cérébraux humains provenant de tumeurs cérébrales excisées lors de chirurgies de glioblastome. Le système a été utilisé pour imager 19 spécimens provenant de 8 patients à l'Institut et Hôpital neurologiques de Montréal. Au cours de cette étude, un modèle d'apprentissage automatique a été importé dans le dispositif d'imagerie pour prédire la probabilité de présence de cancer dans chaque pixel. Il a été démontré que le système d'imagerie capturait de manière fiable la signature Raman du cerveau normal et du glioblastome par rapport à un prototype commercial. Il a également été démontré que le système, associé au modèle d'apprentissage automatique importé, pouvait prédire l'emplacement et la distribution des cellules cancéreuses à la surface d'un spécimen. Les prédictions concordaient avec l'évaluation des annotations des spécimens réalisée par un neuropathologiste.

Abstract

With 43% of Canadians predicted to develop cancer within their lifespan, it is expected that healthcare systems will be overburdened without novel and more effective patient interventions. Cancerous tumors are often removed surgically and when these surgeries are unsuccessful at removing all cancer cells, the risk of recurrence threatens to bring patients back to the operating room or even worse, to end life prematurely. Without any tools to visualize residual cancer, surgeons are left with the options to either blindly remove additional healthy tissue around the tumor to ensure all residual cancer is resected or leave residual cancer in the patient to spare the healthy tissue. In the case of brain tumor surgeries, sparing healthy tissue is often preferred since resection may affect the patient’s cognitive and motor functions. However, this leads to a very high likelihood of recurrence in some brain tumors. If surgeons could visualize residual cancer in the patient or on freshly resected specimens during surgery, it would allow them to locate and remove more cancer while sparing healthy tissue and thus, would ameliorate the prognosis of patients. This thesis aims at the development of a large field of view Raman imaging system to provide surgeons with the means to visualize residual cancer during the surgery. The first thesis objective consists of developing and characterizing the Raman imaging system for machine-learning-based molecular tissue characterization. The system was designed to image the Raman signature of tissue over a field of view of 1 cm2. It was shown to reliably acquire the tissue’s signature within 5 minutes and that this signature coupled with machine learning could be used to locate tissue borders. The second objective is to enhance the Raman system to create a portable clinical prototype destined for use in an operating room. The system was mounted on a cart and equipped with a support arm to conduct in vivo measurements. It was also shown that the system could be safely deployed to be used in human patients and that the machine learning workflow was generalizable in a toy dataset of tissues. The third objective consists of testing the system in a real setting by capturing the signature of human brain specimens from excised brain tumors during glioblastoma surgery. The system was used to image 19 specimens from 8 patients at the Montreal Neurological Institute and Hospital. During this study, a machine learning model was imported into the imaging device to predict the likelihood of cancer presence in each pixel. It was shown that the imaging system reliably captured the Raman signature of normal brain and glioblastoma when compared to a commercial prototype. It was also demonstrated that the system, coupled with the imported machine learning model, could predict the location and distribution of cancer cells on a specimen’s surface. The predictions agreed with the assessment of the specimens’ annotations made by a neuropathologist.