eprintid: 34188 rev_number: 15 eprint_status: archive userid: 7819 dir: disk0/00/03/41/88 datestamp: 2024-01-02 12:56:13 lastmod: 2024-01-17 06:52:02 status_changed: 2024-01-02 12:56:13 type: doctoralThesis metadata_visibility: show creators_name: Albert, Steffen title: Prediction of treatment response and outcome in locally advanced rectal cancer using radiomics title_de: Vorhersage des Behandlungserfolges und Therapieansprechens von lokal fortgeschrittenen Rektumkarzinomen mithilfe von Radiomics subjects: ddc-530 subjects: ddc-600 divisions: i-130001 adv_faculty: af-13 cterms_swd: Kernspintomografie cterms_swd: Deep learning cterms_swd: Normalisierung cterms_swd: Krebs cterms_swd: Darmkrebs cterms_swd: Bildanalyse abstract: With the increasing number of medical images, deep learning is being used more and more in radiomics, but it suffers from small and heterogeneous datasets. To address this, a radiomics pipeline was developed for the prediction of the treatment outcome for neoadjuvant therapy in locally advanced rectal cancer (LARC), focusing on developing methods for dealing with small, heterogeneous multicenter datasets. For normalization, six different normalization methods (five statistical methods and one novel deep learning method) were investigated in multiple configurations: trained on all images, images from all centers except one, and images from a single center. The impact of normalization was evaluated in four tasks: tumor segmentation, prediction of treatment outcome, prediction of sex and prediction of age. For segmentation, there were only significant differences when training on one center, with the deep learning method being the best with a DSC of 0.50 ± 0.01. For the prediction of sex and treatment outcomes, the percentile method combined with histogram matching works best in all scenarios. The classification performance was evaluated using a published neural network. This network consists of two U-Nets sharing their weights, with segmentation as an additional task. The maximum AUC was 0.75 (95 % CI: 0.52 to 0.92) on the validation set. This is better than chance, but not better than using a classifier trained on clinical characteristics. In summary, normalization did help with the generalizability of the neural networks, but there is a limit to what can be corrected. abstract_translated_text: Mit der zunehmenden Anzahl medizinischer Bilder wird Deep Learning immer häufiger für Radiomics verwendet, leidet aber unter der Verwendung von kleinen und heterogenen Datensätzen. Zu diesem Zweck wurde eine Radiomics-Pipeline für die Vorhersage des Behandlungsergebnisses der neoadjuvanten Therapie bei lokal fortgeschrittenem Rektumkarzinom entwickelt, wobei der Schwerpunkt auf der Entwicklung von Methoden für den Umgang mit kleinen, heterogenen, multizentrischen Datensätzen lag. Für die Normalisierung wurden sechs verschiedene Normalisierungsmethoden (fünf statistische Methoden und eine neuartige Deep-Learning-Methode) in verschiedenen Konfigurationen untersucht: trainiert mit allen Bildern, Bildern aus allen Zentren außer einem und mit Bildern aus einem einzigen Zentrum. Die Auswirkungen der Normalisierung wurden anhand von vier Aufgaben bewertet: Tumorsegmentierung, Vorhersage des Behandlungsergebnisses, Vorhersage des Geschlechts und Vorhersage des Alters. Bei der Segmentierung gab es nur signifikante Unterschiede, wenn mit einem Zentrum trainiert wurde, wobei die Deep-Learning-Methode mit einem DSC von 0.50 ± 0.01 die beste war. Für die Vorhersage von Geschlecht und Behandlungsergebnissen funktioniert die Perzentilmethode in Kombination mit dem Histogramm-Matching in allen Szenarien am besten. Mit mehr Daten sollte sich die Deep-Learning-Methode weiter verbessern. Die Klassifizierungsleistung wurde anhand eines bereits veröffentlichten neuronalen Netzes bewertet. Dieses Netz besteht aus zwei U-Nets, die sich ihre Gewichte teilen, mit Segmentierung als zusätzlicher Aufgabe. Der maximale AUC war 0.75 (95 % CI: 0.52 to 0.92) auf dem Validierungssatz. Dies ist besser als der Zufall, aber nicht besser als die Verwendung eines Klassifikators, der anhand klinischer Merkmale trainiert wurde. Zusammenfassend lässt sich sagen, dass die Normalisierung zur Verallgemeinerbarkeit der neuronalen Netze beigetragen hat, aber es gibt eine Grenze dessen, was korrigiert werden kann. abstract_translated_lang: ger date: 2023 id_scheme: DOI id_number: 10.11588/heidok.00034188 ppn_swb: 1878293567 own_urn: urn:nbn:de:bsz:16-heidok-341885 date_accepted: 2023-12-13 advisor: HASH(0x55fc36bf0a98) language: eng bibsort: ALBERTSTEFPREDICTION20231213 full_text_status: public place_of_pub: Heidelberg citation: Albert, Steffen (2023) Prediction of treatment response and outcome in locally advanced rectal cancer using radiomics. [Dissertation] document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/34188/1/PhD_Steffen_Albert_Archive_Version.pdf