Οι όγκοι των μαλακών μορίων περιλαμβάνουν ένα ευρύ φάσμα μεσεγχυματικών νεοπλασμάτων, συμπεριλαμβανομένων περισσότερων από εκατό διαφορετικών υποτύπων. Η προεγχειρητική διάγνωση που καθορίζεται συνήθως από τη βιοψία με κόπτουσα βελόνα και των επακόλουθων ιστοπαθολογικών εξετάσεων είναι απαραίτητη για την αξιολόγηση του ιστολογικού υποτύπου και της βιολογικής συμπεριφοράς της βλάβης (καλοήθης ή κακοήθης, βαθμός κακοήθειας) προκειμένου να καθοριστεί η βέλτιστη θεραπεία. Στην περίπτωση των σαρκωμάτων, δηλαδή εκείνων με κακοήθη συμπεριφορά, η ευρεία εκτομή του όγκου μαζί με ένα χείλος γειτονικού υγιούς ιστού είναι η χειρουργική θεραπεία επιλογής για τη μείωση του κινδύνου τοπικής υποτροπής. Για την σταδιοποίηση του όγκου, χρησιμοποιείται ευρέως το σύστημα της Γαλλικής Ομοσπονδίας Κέντρων Καρκίνου Sarcoma Group (FNCLCC). Ωστόσο, το θεραπευτικό αποτέλεσμα μπορεί να επηρεαστεί από τον τρόπο λήψης της βιοψίας καθώς αυτή σχετίζεται με επιπλοκές που μπορεί να οδηγήσουν σε νοσηρότητα, εσφαλμένη διάγνωση και στο μη βέλτιστο σχήμα της θεραπείας. Επομένως, η αξιόπιστη προεγχειρητική διάγνωση με μια μη επεμβατική μέθοδο όπως η ιατρική απεικόνιση καθίσταται αναγκαία. Η απεικόνιση μαγνητικού συντονισμού (ΑΜΣ) αποτελεί την βέλτιστη επιλογή για την προεγχειρητική απεικόνιση των όγκων μαλακών μορίων καθώς παρέχει εξαιρετική ευκρίνεια σήματος και μπορεί να κατευθύνει τη λήψη βιοψίας σε κρίσιμες υποπεριοχές του όγκου. Συγκεκριμένα, η απεικόνιση σταθμισμένης διάχυσης (ΑΣΔ) μπορεί να αναδείξει μη επεμβατικά δομικές και λειτουργικές ιδιότητες του ιστού όπως η κυτταροβρίθεια, αγγειοβρίθεια και η πολυπλοκότητα του ιστού. Ο φαινόμενος συντελεστής διάχυσης (ΦΣΔ) ήταν η πρώτη παράμετρος ΑΣΔ για τον ποσοτικό προσδιορισμό της κυτταροβρίθειας του ιστού. Στη συνέχεια, προτάθηκε το μοντέλο Intravoxel Incoherent Motion (ΙVIM) το οποίο εισήγαγε μια δι-εκθετική αναπαράσταση της εξασθένησης του σήματος, καθώς και τα μη-διαμερισματικά μοντέλα stretched-exponential και diffusion kurtosis για τον ποσοτικό προσδιορισμό της μικροδομικής ετερογένειας του όγκου και της πολυπλοκότητας των ιστών. Παράλληλα με την ποσοτική ανάλυση της ΑΜΣ, η ραδιομική (radiomics) δημιούργησε τα τελευταία χρόνια μια ώθηση στην υπολογιστική ιατρική απεικόνιση ενδυναμώνοντας σημαντικά την προγνωστική μοντελοποίηση και ποσοτική ανάλυση των απεικονιστικών δεδομένων. Σημαντικά στοιχεία της αποτελούν η ανάλυση υφής της εικόνας και η εξαγωγή πολυδιάστατων χαρακτηριστικών από πολύπλοκα μοτίβα των διαγνωστικών εικόνων που σπάνια μπορεί να δει το ανθρώπινο μάτι καθώς και η δημιουργία προγνωστικών μοντέλων από τα χαρακτηριστικά αυτά για την ακριβή διάγνωση, σχεδιασμό της θεραπείας και παρακολούθησης των ασθενών. Σύμφωνα με την διεθνή βιβλιογραφία, ένας σημαντικός αριθμός μελετών έχει διερευνήσει μη-επεμβατικά τον χαρακτηρισμό του μικροπεριβάλλοντος των σαρκωμάτων, την διαφοροποίηση της ταξινόμησης των όγκων και την αξιολόγηση της ανταπόκρισης της θεραπείας με μεμονωμένα μοντέλα ΑΣΔ, υποθέτοντας ότι ένα μοναδικό μοντέλο μπορεί να χαρακτηρίσει εξ’ ολοκλήρου το μικροπεριβάλλον και την πολυπλοκότητα του όγκου. Ωστόσο, η υπόθεση αυτή αντικρούεται στην ετερογενή φύση του όγκου καθώς και σε σύγχρονες αναφορές οι οποίες φανερώνουν την αναποτελεσματικότητα μεμονωμένων μοντέλων ΑΣΔ στην καταγραφή και ποσοτικοποίηση των συνολικών λειτουργικών και ανατομικών ιδιοτήτων διαφόρων τύπου όγκων, καταλήγοντας σε εσφαλμένες τιμές παραμέτρων από τα ΑΣΔ μοντέλα και σε στατιστική επεξεργασία χωρίς πρότερο έλεγχο της επιλογής κατάλληλου μοντέλου για κάθε υποπεριοχή της βλάβης. Από την άλλη πλευρά, αν και η ραδιομική ανάλυση έχει μελετηθεί εκτενώς σε διάφορους τύπους όγκων, ελάχιστες μελέτες έχουν αναδείξει το ρόλο της ραδιομικής στην ανάλυση των σαρκωμάτων. Επιπρόσθετα, υπάρχουν αμφιβολίες αναφορικά με τον τρόπο επιλογής των σημαντικών ραδιομικών χαρακτηριστικών (ραδιομική υπογραφή), ιδίως όσον αφορά την συνοχή και επαναληψιμότητα της απόδοσής τους καθώς και στον καθορισμό ενός ισχυρού και διαφανούς πλαισίου εξέτασης και επικύρωσης των ραδιομικών αποτελεσμάτων. Με βάση τα προαναφερθέντα, η παρούσα διατριβή εστίασε στην ποσοτικοποίηση των δεδομένων ΑΣΔ και την ραδιομική ανάλυση για τον χαρακτηρισμό των σαρκωμάτων και τον αυτοματοποιημένο διαχωρισμό της σταδιοποίησής τους με την εργασία συνεδρίου Ι να παρέχει ένα ολοκληρωμένο πλαίσιο ανάλυσης για την ποσοτικοποίηση ΑΣΔ από πολλαπλά μοντέλα. Η ανάπτυξη και αξιολόγηση των μοντέλων ΑΣΔ πραγματοποιήθηκε σύμφωνα με το μαθηματικό πλαίσιο όπως αυτό περιγράφεται στο Κεφάλαιο Ι και της στατιστικής ανάλυσης από το Κεφάλαιο ΙΙ. Τα άρθρα III και IV εισήγαγαν ένα πλαίσιο στατιστικής ανάλυσης για την αξιολόγηση των μοντέλων ΑΣΔ και στην δημιουργία ψευδοχρωματικών χαρτών ταξινόμησης που αντικατοπτρίζουν την επιλογή του βέλτιστου μοντέλου ΑΣΔ για κάθε εικονοστοιχείο. Οι παραπάνω δημοσιεύσεις οδήγησαν στην ανάπτυξη υβριδικών παραμέτρων ΑΣΔ από πολλαπλά μοντέλα για τον ποσοτικό χαρακτηρισμό της βλάβης σε διάφορους τύπους σαρκωμάτων. Τα αποτελέσματα (άρθρο Ι) επικυρώθηκαν με ιστοπαθολογική εξέταση των χειρουργικών δειγμάτων, αποδίδοντας νέες παραμέτρους υψηλής διακριτικής ισχύος για την διαφοροποίηση της σταδιοποίησης του όγκου. Παράλληλα, εξετάστηκε η εφαρμογή της ραδιομικής ανάλυσης σε δεδομένα ΑΜΣ T2 υψηλής ανάλυσης για την ανάπτυξη μοντέλων μηχανικής μάθησης και την αυτοματοποιημένη διαφοροποίηση της σταδιοποίησης των σαρκωμάτων. Τα αποτελέσματα παρουσιάζονται στο άρθρο II, μετά από διεξοδική έρευνα που προηγήθηκε και δημοσιεύθηκε στην εργασία συνεδρίου ΙΙ για την αξιολόγηση της γενικευμένης απόδοσης και επαναληψιμότητας των μοντέλων μηχανικής μάθησης, καθώς και της επιλογής των σημαντικών ραδιομικών χαρακτηριστικών που οδηγούν στην βέλτιστη πρόβλεψη της απόκρισης στη θεραπεία του καρκίνου. Συμπερασματικά, οι στόχοι της διατριβής συνοψίζονται στην ποσοτικοποίηση των εικόνων ΑΣΔ και της ραδιομικής ανάλυσης για τον μη επεμβατικό χαρακτηρισμό των μορφολογικών και λειτουργικών χαρακτηρισμών των σαρκωμάτων και την αυτοματοποιημένη διαφοροποίηση του βαθμού σταδιοποίησης της βλάβης.
Intravoxel incoherent motion and diffusion kurtosis imaging for discriminating soft tissue sarcoma from vascular anomalies
