LuCIFEx : lung cancer identification through feature extraction

Because of its high aggressiveness and lethality, early detection and accurate characterization of lung cancer are among the most investigated challenges in the last years. Biomedical imaging techniques are an enabling tool for lung cancer assessment that strongly impacts on the decision-making process in daily clinical practice. Their role is a developing process that aims to provide predictive imaging biomarkers and a valid solution for personalized medicine. Within this context, radiomic approach, a relatively new solution that consists of a features-based characterization of the tumor, is showing promising results. It requires the mining of vast arrays of quantitative features derived from digital images and has opened to encouraging perspectives. Regardless of the interest in such a solution, a suboptimal standardization and lack of definitive results emerge. LuCIFEx presents the design and development of an automated pipeline for a non-invasive in-vivo identification and characterization of Non Small Cell Lung Cancer (NSCLC). It is devised to be a support for radiologists and physicians in the treatment decision phase and to speed up the diagnostic process. The developed pipeline exploits input data from routinely acquired biomedical images, which for our case, are Positron Emission Tomography (PET) and Computed Tomography (CT). From these images, we obtained an automatic and reliable segmentation of the tumor lesion allowing the accurate textural features computation inside the Volume Of Interest (VOI), thus providing information for the characterization of lung lesion through machine learning algorithms. We evaluated our approach on real datasets supplied by Humanitas University Hospital acquired by a retrospective single-center investigation approved by the Ethical Committee. The solution developed in this thesis reaches a mean accuracy of 94.18% ± 4.99 for the VOI segmentation and it showed the potential of PET/CT features in differentiating both between primary and metastatic lung lesions and between primary lung cancer subtypes. In fact, the reached peak accuracy for the discrimination between primary and metastatic tumor is around 88%, while for the classification of different primary subtypes the accuracy is 85%.

A causa della sua elevata aggressività e letalità, la diagnosi precoce e la caratterizzazione accurata del tumore ai polmoni sono tra le sfide più studiate negli ultimi anni. Le tecniche di imaging biomedico sono uno strumento abilitante per la valutazione del cancro del polmone e hanno un forte impatto sul processo decisionale nella pratica clinica quotidiana. Il loro ruolo è in via di sviluppo e mira a fornire biomarker predittivi e una valida soluzione per la medicina personalizzata. In questo contesto, l’approccio radiomico, che consiste in una caratterizzazione del tumore basata su caratteristiche texturali, sta mostrando risultati promettenti. Ciò richiede l’estrazione di vasti array di caratteristiche quantitative derivate da immagini digitali e ha dimostrato di avere prospettive incoraggianti per la caratterizzazione del tumore ai polmoni. Indipendentemente dall’interesse per tale soluzione, emerge però una mancanza di standardizzazione e di risultati definitivi. LuCIFEx presenta la progettazione e lo sviluppo di una pipeline completamente automatizzata per l’identificazione e la caratterizzazione in vivo e non invasiva del carcinoma polmonare non a piccole cellule (NSCLC). La soluzione proposta è concepita per essere un supporto per radiologi e medici nella fase decisionale della terapia e per accelerare il processo diagnostico. Inoltre, la pipeline sviluppata sfrutta i dati provenienti da immagini biomediche acquisite ordinariamente che, nel nostro caso, sono la tomografia a emissione di positroni (PET) e la tomografia computerizzata (CT). Da queste immagini abbiamo dunque ottenuto una segmentazione automatica e affidabile della lesione tumorale che consente il calcolo preciso delle caratteristiche texturali all’interno del Volume di interesse (VOI), fornendo, quindi, informazioni per la caratterizzazione della lesione polmonare attraverso algoritmi di Machine Learning. Abbiamo dunque testato l’approccio su due set di dati reali forniti da Humanitas University Hospital, acquisiti da un’indagine retrospettiva approvata dal comitato etico istituzionale. La soluzione sviluppata in questa tesi raggiunge un’accuratezza media di 94,18% con una deviazione standard di 4,99 per la segmentazione del VOI e ha dimostrato il potenziale dell’approccio radiomico per la differenziazione sia tra le lesioni polmonari primarie e metastatiche sia tra i sottotipi istologici del cancro polmonare. In aggiunta, l’accuratezza massima raggiunta per la discriminazione tra tumore primitivo e metastatico è intorno all’88%, mentre per la classificazione di diversi sottotipi primari l’accuratezza è di 85%.