Ktrans maps analysis for aggressive prostate cancer detection in patients under active surveillance

This thesis project aims to investigate the relationships underlying between Ktrans, a parameter derived from dynamic contrast-enhanced MRI (DCE-MRI), and the aggressiveness of prostate cancer. In particular, the goal of this work would be to correctly state, in a population of patients diagnosed with indolent prostate cancer (under what is called Active Surveillance (AS)), for each one of them whether their tumor would turn aggressive or stay indolent for a lifetime. Obtained as the output of a medical mapping analysis software workflow, quantifying the rate at which contrast agent flows from blood plasma to the extravascular extracellular space (EES) per unit volume of tissue, Ktrans presents itself as a 3D map, litting up different parts of the prostate region voxels. To compound an image-like data with ordinary numeric medical datasets (both provided by Fondazione IRCCS Istituto Nazionale dei Tumori (INT) in Milan on a cohort of prostate cancer patients enrolled in AS), Principal Component Analysis is a good solution. It not only can transform image data into vectors of values (called scores) to be alike classical features, but can also revert this transformation back to the map space; thus enabling the creation of a unique numerical dataset with the transformed scores, which would be submitted to a logistic regression model to interpret the results in the image domain, for easier visual comprehension. Thus, along with the logistic model, low and high-risk maps were obtained, and it became possible to state which parts of the organ were more sensitive to high Ktrans intensities, the majority of which appeared to be located in the peripheral areas of the prostate. The methods proposed in this thesis can be thought of as examples of statistical nonparametric algorithms to apply when dealing with low-observation, high-dimensional image datasets to reduce data complexity, yet still without abandoning the great visual advantage of working with maps.

Questo progetto di tesi ha lo scopo di investigare le relazioni soggiacenti tra il parametro Ktrans, derivante da risonanza magnetica con liquido di contrasto (DCE-MRI), e il tumore alla prostata nella sua aggressività. Nello specifico, questo studio si propone di fornire una corretta predizione in merito al verificarsi o meno di metastasi all'interno del suddetto tumore in una popolazione di pazienti a cui è stato diagnosticato un cancro indolente (e che sono stati posti nella cosiddetta "Sorveglianza Attiva" (AS)), predicendo se il paziente in questione continuerà a mostrare un tumore indolente a vita o se è prevedibile che tale tumore peggiori le sue condizioni, tramutandosi in aggressivo. Ottenuto come output di un processo di analisi di immagini mediche per opera di un software apposito, il parametro Ktrans si presenta sottoforma di mappa tridimensionale, i cui voxel si mostrano più o meno intensi a seconda del valore del parametro. Esso quantifica la velocità del liquido di contrasto nel fluire dal plasma sanguigno allo spazio extracellulare extravascolare (EES). Conciliare un dato nel dominio delle immagini con le classiche, numeriche informazioni cliniche (entrambi forniti dalla fondazione IRCCS Istituto Nazionale dei Tumori (INT) di Milano, analizzando una coorte di pazienti in sorveglianza attiva), è possibile tramite l'Analisi delle Componenti Principali, che funge da algoritmo ponte tra mappe e numeri. Infatti, non soltanto è in grado di mutare le immagini in vettori numerici (chiamati punteggi PCA) in modo da uniformare l'analisi sullo stesso tipo di dati, ma anche di ripristinarle a partire dai punteggi. In questo senso, la PCA rende possibile la creazione di un unico dataset numerico, consentendo l'applicazione di modelli di regressione logistica e l'interpretazione dei risultati nel dominio delle immagini, per una più immediata comprensione visiva. In questo modo, assieme al modello logistico, è stato possibile ottenere mappe a basso e ad alto rischio di metastasi, dunque identificare le più sensibili parti dell'organo al Ktrans. È risultato che la maggioranza di esse sia dislocata nelle aree periferiche della prostata. I metodi proposti in questa tesi possono essere intesi ed utilizzati come esempi di algoritmi statistici nonparametrici da poter applicare in casi di dataset con un numero di variabili preponderante rispetto alla numerosità campionaria; per ridurre la complessità di analisi non rinunciando al grande vantaggio di disporre e di poter lavorare con dati immagine.