Investigating the effect of tumor segmentations on radiomics analysis through visual analytics

Abstract

In den letzten Jahren hat Radiomics die klinische Beurteilung von Tumoren revolutioniert. Durch das Extrahieren von quantitativen Merkmalen aus medizinischen Bildern bietet dieser Ansatz eine objektive Analyse von Tumorgewebe, was letztlich medizinischen Expertinnen und Experten bei Entscheidungsfindungsprozessen in Bezug auf Diagnose und Behandlung hilft. Radiomics ist jedoch in hohem Maße von der Qualität der Tumorsegmentierung abhängig. Unterschiedliche Tumorabgrenzungen, die sich aus der Variabilität innerhalb und zwischen den Beobachterinnen und Beobachtern ergeben, können die Ergebnisse der Radiomics–Analyse erheblich beeinträchtigen. Unseres Wissens wurde bisher noch nicht untersucht, wie sich die Unterschiede zwischen den Beobachterinnen und Beobachtern bei der Tumorsegmentierung auf die Radiomics-Analytik auswirken. Diese Arbeit untersucht, wie verschiedene Tumorsegmentierungen die Radiomics–Analyse beeinflussen. Wir entwickeln daher das Visual Analytics Tool ProSeRa (Probabilistic Segmentation on Radiomics, übersetzt: Probabilistische Segmentierung auf Radiomics), das Visual Analytics zur Erforschung der Auswirkungen probabilistischer Tumorsegmentierung auf Radiomics bietet. Wir befähigen die Benutzerinnen und Benutzer dazu, die Ergebnisse unserer Radiomics-Analyse mit Bezug auf klinischen Daten in Anlehnung an Schwellenwerten für die Segmentierungsgenauigkeit, die wir anhand der Übereinstimmung der Beobachterinnen und Beobachter berechnen, zu untersuchen. Wir bieten Möglichkeiten zur Erkundung und Analyse der Radiomics-Daten, u.a. mithilfe von Algorithmen zur Dimensionalitätsreduktion und Mechanismen zur Clusteranalyse in Verknüpfung mit effektiven und aussagekräftigen Visualisierungen. ProSeRa erleichtert die Bewertung der Robustheit der Radiomics-Analyse und unterstützt die Erforschung der Auswirkungen der Segmentierung auf die Analyse. Basierend auf der Evaluierung unserer Ergebnisse können wir schlussfolgern, dass, wie erwartet, die Variabilität bei Tumorsegmentierung die Ergebnisse der Radiomics-Analyse erheblich beeinflusst. Die Auswirkung war besonders deutlich in der Clusteranalyse, die unterschiedliche Ergebnisse für verschiedene Schwellenwerte der Segmentierungsgenauigkeit geliefert hatte. Dabei haben wir festgestellt, dass zusätzliche Variablen, wie z.B. das Gesamttumorstadium, für die Gruppierung von Patienten in Cluster entscheidend sind.

In recent years, radiomics has revolutionized the clinical assessment of tumors. By extracting quantitative features from medical images, this approach provides an objective analysis of tumorous tissues, which ultimately aids medical experts in decision-making processes regarding diagnosis and treatment. However, radiomics is highly dependent on the quality of tumor segmentation. Different tumor delineations resulting from intra- and interobserver variability may significantly affect the results of radiomics analysis. To our knowledge, no prior research has been conducted on the impact of interobserver differences in tumor segmentations on radiomic analytics.This thesis aims to investigate how different tumor segmentations influence radiomics analysis. We therefore design and propose the visual analytics tool ProSeRa (Probabilistic Segmentation on Radiomics), which provides visual analytics strategies for exploring the impact of probabilistic tumor segmentation on radiomics. We empower the users to examine the results of our radiomics analysis with respect to clinical data based on segmentation accuracy thresholds, which we calculate based on the observers’ agreement. We provide ways to explore and analyze the radiomics data using, among others, dimensionality reduction algorithms and cluster analysis mechanisms in conjunction with effective and expressive visualizations. ProSeRa facilitates the assessment of the robustness of the radiomics analysis and supports the exploration of the impact of segmentation on the analysis. Based on the evaluation of our results, we conclude that, as anticipated, variability intumor segmentations considerably influences the radiomics analysis results. The impactwas especially prominent in the cluster analysis, which provided different outcomes fordifferent segmentation accuracy thresholds. Thereby, we detected additional variables, such as the overall tumor stage, being crucial for grouping patients into clusters.