Title: Detecting and understanding glioblastoma multiforme using convolutional neural networks
Language: English
Authors: Gregorich, Mariella Gloria 
Qualification level: Diploma
Advisor: Filzmoser, Peter 
Issue Date: 2019
Number of Pages: 88
Qualification level: Diploma
Abstract: 
Glioblastoma multiforme (GBM) gehört zu den tödlichsten Neoplasmen, die miteinem extrem schlechten Gesamtüberleben der Patienten einhergehen. Die mittlere Überlebenszeit von Patienten mit GBM liegt bei etwa 16 Monaten. DasVerständnis der Natur dieser aggressiven Tumore durch die Analyse von Bilddaten,die das maligne Gewebe erfassen, kann nützliche Informationen für diePrognose und Behandlung des Patienten liefern.In dieser Masterarbeit werden moderne Machine-Learning Verfahren basierendauf neuronalen Faltungsnetzen für die Bildanalyse von Hirntumoren von MRIScansgründlich untersucht. Die Arbeit konzentriert sich insbesondere auf i) die Erkennung und Segmentierung von Glioblastoma multiforme in präoperativen MRI-Scans, ii) die Vorhersage des Gesamtüberlebens basierend auf präoperativenMRI-Scans und zusätzlichen klinische Merkmalen von Patienten mit Glioblastoma und iii) die Beurteilung des Potenzials einer verbesserten Überlebensvorhersage, indem die Aufgabe des Machine Learning Algorithmus auf die Klassifizierung der Gesamtüberlebensgruppe zwischen kurzzeitiger (< 24 Monate) und langfristiger ( 24 Monate) Überlebenszeit zum Zeitpunkt der präoperativen MRI-Untersuchung reduziert wird.Vielversprechende Ergebnisse wurden für die Aufgabe der Tumorsegmentierungsowie für die Überlebensvorhersage erhalten, obwohl der verfügbare Datensatzklein war, was die Möglichkeiten und Grenzen der neuralen Faltungsnetze inder Radiomik hervorhebt. Die Masterarbeit verdeutlicht jedoch auch, dass dasGesamtüberleben bei GBM-Patienten heterogen ist und nicht allein durch präoperative MRI unter Verwendung von aktuellen rechnerischen Ansätzen bestimmt werden kann. Daher liegt die wissenschaftliche Zukunft in rechnerischen Ansätzen, die die Leistungsfähigkeit von Deep-Learning-Algorithmen mit klinischenMerkmalen kombinieren, um genaue Überlebensvorhersagen und Risikobewertungen zu erzielen, die bei der klinischen Entscheidungsfindung hilfreich sein können.

Glioblastoma multiforme (GBM) is among the most lethal neoplasms associated with extremely poor overall survival (OS) of patients. The median survival time of patients diagnosed with GBM is around 16 months. Understanding the nature of these aggressive tumors through the analysis of imaging data capturing the malignant tissue can provide beneficial information for the prognosis and treatment of the patient. In this master thesis, the state-of-the-art machine learning (ML) methods based on convolutional neural networks for brain tumor image analysis of MRI scans will be thoroughly assessed. In particular, the work will focus on i) the detection and segmentation of glioblastoma multiforme in pre-operative MRI scans, ii) the prediction of overall survival from pre-operative MRI scans and additional clinical features from patients with glioblastoma, and iii) assessing the potential of improved survival prediction by reducing the task to overall survival group classification between short-term (< 24 months) and long-term ( 24 months) survival at the time of the pre-operative MRI scan. Promising results were obtained for the task of tumor segmentation as well as survival prediction even though the data set was small which highlights the capability and limitations of convolutional neural networks in radiomics. However, the thesis also empathizes that overall survival in GBM patients is heterogeneous and cannot be solely determined by pre-operative MRIs. Therefore, the scientific future lies in computational approaches combining the power of deep learning algorithms with hand-crafted and recorded clinical features to achieve accurate survival predictions.
Keywords: Neural networks; Biomedicine
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-125772
http://hdl.handle.net/20.500.12708/8592
Library ID: AC15391302
Organisation: E105 - Institut für Stochastik und Wirtschaftsmathematik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

22
checked on Dec 5, 2021

Download(s)

46
checked on Dec 5, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.