Home | Contact
     ISSN 2149-2042
     e-ISSN 2149-4606
 
 
 
Volume : 37 Issue : 2 Year : 2022



Current Issue Archive Popular Articles Ahead of Print




Index














Membership




Applications



 
Radiomics Features Based on MRI-ADC Maps of Patients with Breast Cancer: Relationship with Lesion Size, Features Stability, and Model Accuracy [Medeniyet Med J]
Medeniyet Med J. 2022; 37(3): 277-288 | DOI: 10.4274/MMJ.galenos.2022.70094  

Radiomics Features Based on MRI-ADC Maps of Patients with Breast Cancer: Relationship with Lesion Size, Features Stability, and Model Accuracy

Begumhan BAYSAL1, Hakan BAYSAL2, Mehmet Bilgin ESER1, Mahmut Bilal DOGAN1, Orhan ALIMOGLU2
1Istanbul Goztepe Prof. Dr. Suleyman Yalcin City Hospital, Clinic of Radiology, Istanbul, Turkey
2Istanbul Goztepe Prof. Dr. Suleyman Yalcin City Hospital, Clinic of General Surgery, Istanbul, Turkey

Objective: To predict breast cancer molecular subtypes with neural networks based on magnetic resonance imaging apparent diffusion coefficient (ADC) radiomics and to detect the relation of lesion size with the stability of radiomics features.
Methods: This retrospective study included 221 consecutive patients (224 lesions) with breast cancer imaged between January 2015 and January 2020. Three sample size configurations were identified based on tumor size (experiment 1: all cases, experiment 2: >1 cm3, and experiment 3: >2 cm3). The tumors were segmented by three observers based on diffusion-weighted imaging-registered ADC maps, and the volumetric agreement of these segmentations was evaluated using the Dice coefficient. Stability of radiomics features (n=851) was evaluated with intraclass correlation coefficient (ICC, >0.75) and coefficient of variation (CoV, <0.15). Feature selection was made with variance inflation factor (VIF, <10) and least absolute shrinkage and selection operator regression. Outcomes were identified as molecular subtypes (Luminal A, Luminal B, HER2-enriched, triple-negative). Neural network performance was presented as an area under the curve and accuracies.
Results: Of the 851 radiomics features, 611 had ICC >0.75, and 37 remained stable in the first experiment, 49 in the second, and 59 in the third based on CoV and VIF analysis. High accuracy was demonstrated by the Luminal B, HER2-enriched, and triple-negative models in the first experiment (>80%), all models in the second experiment, and HER2-enriched and triple-negative models in the third experiment.
Conclusions: A positive stability is indicated by an increased lesion size related to radiomics features. Neural networks may predict moleculer subtypes of breast cancers over 1 cm3 with high accuracy.

Keywords: Breast carcinoma, diffusion magnetic resonance imaging, computer-assisted image processing, machine learning, artificial intelligence


Meme Kanserinde MRG-ADC Haritalarına Dayalı Radyomiks Özellikler: Lezyon Boyutu ile Stabilite ve Model Doğruluğunun İlişkisi

Begumhan BAYSAL1, Hakan BAYSAL2, Mehmet Bilgin ESER1, Mahmut Bilal DOGAN1, Orhan ALIMOGLU2
1Radyoloji Ana Bilim Dalı, İstanbul Medeniyet Üniversitesi, Göztepe Prof. Dr. Süleyman Yalçın Şehir Hastanesi, İstanbul, Türkiye
2Genel Cerrahi Ana Bilim Dalı, İstanbul Medeniyet Üniversitesi, Göztepe Prof. Dr. Süleyman Yalçın Şehir Hastanesi, İstanbul, Türkiye

Amaç: Manyetik rezonans görüntülemede görünür difüzyon katsayısı (ADC) radyomiks verilerine dayalı sinir ağları ile meme kanseri moleküler alt tiplerini tahmin etmek ve lezyon boyutunun radyomiks özelliklerin stabilitesi ile ilişkisini saptamaktır.
Yöntemler: Bu retrospektif çalışma, Ocak 2015 ile Ocak 2020 tarihleri arasında görüntüleme yapılan meme kanserli hasta kohortunu (n=221, 224 lezyon) içermektedir. Lezyon boyutu ile radyomiks özelliklerinin stabilitesi arasındaki ilişkiyi incelemek için, tümör boyutuna dayalı (deney 1: tüm durumlar, deney 2: >1 cm3 ve deney 3: >2 cm3) üç grup oluşturulmuştur. Üç farklı gözlemci, difüzyon ağırlıklı görüntüleme ile oluşturulan ADC haritalarında tümörleri segmentlere ayırmış ve bu segmentasyonların hacimsel uyumu, Dice katsayısı kullanılarak değerlendirilmiştir. Radyomiks özellik (n=851) seçimi, sınıf içi korelasyon katsayısına (ICC), varyasyon katsayısına (CoV), varyans inflasyon faktörüne (VIF) ve en küçük mutlak küçülme ve seçim operatörü regresyonuna dayandırılmıştır. Sonuçlar moleküler alt tipler olarak tanımlanmıştır (Luminal A, Luminal B, HER2 ile zenginleştirilmiş ve üçlü negatif). Sinir ağı başarı performansı, eğri altındaki alan olarak sunulmuştur.
Bulgular: Sekiz yüz elli bir radyomiks özelliğinden 611’i ICC >0,75 idi. Bu özelliklerden CoV ve VIF analizi ile 37’si birincide, 49’u ikincide ve 59’u üçüncü deneyde sabit kaldı. İlk deneyde Luminal B, HER2 ile zenginleştirilmiş ve üçlü negatif alt tipler için geliştirilen tahmin modellerinin doğruluğu yüksekti (>%80). İkinci deneyde tüm modeller ve üçüncü deneyde ise HER2 ile zenginleştirilmiş ve üçlü negatif modeller yüksek doğruluğa sahipti.
Sonuçlar: Radyomiks özellikler, artan lezyon boyutuna bağlı olarak pozitif stabilite göstermektedir. Yapay sinir ağları, 1 cm3 üzerindeki meme kanserlerini yüksek doğrulukla tahmin edebilmektedir.

Anahtar Kelimeler: Meme kanseri, difüzyon manyetik rezonans görüntüleme, bilgisayar destekli görüntü işleme, makine öğrenimi, yapay zeka


Begumhan BAYSAL, Hakan BAYSAL, Mehmet Bilgin ESER, Mahmut Bilal DOGAN, Orhan ALIMOGLU. Radiomics Features Based on MRI-ADC Maps of Patients with Breast Cancer: Relationship with Lesion Size, Features Stability, and Model Accuracy. Medeniyet Med J. 2022; 37(3): 277-288

Corresponding Author: Begumhan BAYSAL, Türkiye


TOOLS
Full Text PDF
Print
Download citation
RIS
EndNote
BibTex
Medlars
Procite
Reference Manager
Share with email
Share
Send email to author

Similar articles
PubMed
Google Scholar





 

  Copyright © 2019 MEDJ All Rights Reserved