Impact pronostique de l`IRM sur la récidive biochimique après

Transcription

THÈSE D'EXERCICE / UNIVERSITÉ DE RENNES 1
FACULTÉ DE MEDECINE
Sous le sceau de l’Université Européenne de Bretagne
THÈSE EN VUE DU
DIPLÔME D'ÉTAT DE DOCTEUR EN MEDECINE
Présentée par
Khémara Gnep
né le 2 mars 1986 à Poitiers
Intitulé de la thèse :
Impact pronostique
de l’IRM sur la
récidive biochimique
après radiothérapie
de cancers
prostatiques
Thèse soutenue à RENNES
le 18 avril 2016
devant le jury composé de :
Karim BENSALAH
PU-PH, CHU Pontchaillou, Rennes / Président
Renaud de CREVOISIER
PU-PH, Centre Eugène Marquis, Rennes /
Directeur de thèse
Yves GANDON
PU-PH, CHU Pontchaillou, Rennes / Juge
Romain MATHIEU
MCU-PH, CHU Pontchaillou, Rennes / Juge
Oscar ACOSTA
MCU, Université de Rennes 1, LTSI, Rennes /
Juge
UNIVERSITÉ Rennes 1
FACULTÉ DE MÉDECINE
PROFESSEURS DES UNIVERSITÉS –
PRATICIENS HOSPITALIERS
ANNE-GALIBERT Marie Dominique
Biochimie et biologie moléculaire
BELAUD-ROTUREAU Marc-Antoine
Histologie; embryologie et cytogénétique
BELLISSANT Eric
Pharmacologie fondamentale; pharmacologie clinique;
addictologie
BELLOU Abdelouahab
Thérapeutique; médecine d'urgence; addictologie
BELOEIL Hélène
Anesthésiologie-réanimation; médecine d'urgence
BENDAVID Claude
BENSALAH Karim
Urologie
BEUCHEE Alain
Pédiatrie
BONAN Isabelle
Médecine physique et de réadaptation
BONNET Fabrice
Endocrinologie, diabète et maladies métaboliques;
gynécologie médicale
BOUDJEMA Karim
Chirurgie générale
BOUGET Jacques
Thérapeutique; médecine d'urgence; addictologie
BOURGUET Patrick
Professeur des Universités en surnombre
Biophysique et médecine nucléaire
BRASSIER Gilles
Neurochirurgie
BRETAGNE Jean-François
Gastroentérologie; hépatologie; addictologie
BRISSOT Pierre
CARRE François
Physiologie
CATROS Véronique
Biologie cellulaire
CHALES Gérard
Professeur des Universités émérite
Rhumatologie
CORBINEAU Hervé
Chirurgie thoracique et cardiovasculaire
CUGGIA Marc
Biostatistiques, informatique médicale et technologies
de communication
DARNAULT Pierre
Anatomie
DAUBERT Jean-Claude
Cardiologie
DAVID Véronique
DAYAN Jacques
Professeur des Universités associé
Pédopsychiatrie; addictologie
DE CREVOISIER Renaud
Cancérologie; radiothérapie
DECAUX Olivier
Médecine interne; gériatrie et biologie du vieillissement;
addictologie
DELAVAL Philippe
Pneumologie; addictologie
DESRUES Benoît
DEUGNIER Yves
DONAL Erwan
Cardiologie
DRAPIER Dominique
Psychiatrie d'adultes; addictologie
DUPUY Alain
Dermato-vénéréologie
ECOFFEY Claude
EDAN Gilles
Neurologie
FERRE Jean Christophe
Radiologie et imagerie Médecine
FEST Thierry
Hématologie; transfusion
FLECHER Erwan
FREMOND Benjamin
Chirurgie infantile
GANDEMER Virginie
Pédiatrie
GANDON Yves
GANGNEUX Jean-Pierre
Parasitologie et mycologie
GARIN Etienne
GAUVRIT Jean-Yves
GODEY Benoit
Oto-rhino-laryngologie
GUGGENBUHL Pascal
Rhumatologie
GUIGUEN Claude
GUILLÉ François
Urologie
GUYADER Dominique
HOUOT Roch
HUGÉ Sandrine
Professeur des Universités associé
HUSSON Jean-Louis
Médecine générale
Chirurgie orthopédique et traumatologique
JEGO Patrick
Médecine interne; gériatrie et biologie du vieillissement;
addictologie
JEGOUX Franck
Oto-rhino-laryngologie
JOUNEAU Stéphane
KAYAL Samer
Bactériologie-virologie; hygiène hospitalière
KERBRAT Pierre
LAMY DE LA CHAPELLE Thierry
LAVIOLLE Bruno
addictologie
LAVOUE Vincent
Gynécologie-obstétrique; gynécologie médicale
LE BRETON Hervé
Cardiologie
LE GUEUT Maryannick
Médecine légale et droit de la santé
LE TULZO Yves
Réanimation; médecine d'urgence
LECLERCQ Christophe
Cardiologie
LEGUERRIER Alain
LEJEUNE Florence
LEVEQUE Jean
LIEVRE Astrid
MABO Philippe
Cardiologie
MALLEDANT Yannick
MEUNIER Bernard
Chirurgie digestive
MICHELET Christian
Maladies infectieuses; maladies tropicales
MOIRAND Romain
MORANDI Xavier
Anatomie
MORTEMOUSQUE Bruno
Ophtalmologie
MOSSER Jean
MOULINOUX Jacques
Biologie cellulaire
MOURIAUX Frédéric
Ophtalmologie
ODENT Sylvie
Génétique
OGER Emmanuel
addictologie
PERDRIGER Aleth
Rhumatologie
PLADYS Patrick
Pédiatrie
POULAIN Patrice
RAVEL Célia
RIFFAUD Laurent
Neurochirurgie
RIOUX-LECLERCQ Nathalie
Anatomie et cytologie pathologiques
ROBERT-GANGNEUX Florence
SAINT-JALMES Hervé
SEGUIN Philippe
SEMANA Gilbert
Immunologie
SIPROUDHIS Laurent
SOMME Dominique
Médecine interne; gériatrie et biologie du vieillisement;
addictologie
SULPICE Laurent
Chirurgie générale
TARTE Karin
Immunologie
TATTEVIN Pierre
Maladies infectieuses; maladies tropicales
THIBAULT Ronan
Nutrition
THIBAULT Vincent
THOMAZEAU Hervé
Chirurgie orthopédique et traumatologique
TORDJMAN Sylvie
Pédopsychiatrie; addictologie
VERGER Christian
Médecine et santé au travail
VERHOYE Jean-Philippe
VERIN Marc
Neurologie
VIEL Jean-François
Epidémiologie, économie de la santé et prévention
VIGNEAU Cécile
Néphrologie
VIOLAS Philippe
Chirurgie infantile
WATIER Eric
Chirurgie plastique, reconstructrice et esthétique;
brûlologie
WODEY Eric
UNIVERSITÉ Rennes 1
FACULTÉ DE MÉDECINE
MAÎTRES DE CONFÉRENCES DES
UNIVERSITÉS – PRATICIENS HOSPITALIERS
AME-THOMAS Patricia
Immunologie
AMIOT Laurence
BARDOU-JACQUET Edouard
BEGUE Jean-Marc
Physiologie
BOUSSEMART Lise
Dermato-vénéréologie
CABILLIC Florian
Biologie cellulaire
CAUBET Alain
Médecine et santé au travail
DAMERON Olivier
Informatique
DE TAYRAC Marie
DEGEILH Brigitte
DUBOURG Christèle
DUGAY Frédéric
EDELINE Julien
GALLAND Françoise
Endocrinologie, diabète et maladies métaboliques;
gynécologie médicale
GARLANTEZEC Ronan
GUILLET Benoit
HAEGELEN Claire
Anatomie
JAILLARD Sylvie
LAVENU Audrey
Sciences physico-chimiques
pharmaceutiques
LE GALL François
et
technologies
LE RUMEUR Elisabeth
Physiologie
MAHÉ Guillaume
Chirurgie vasculaire; médecine vasculaire
MARTINS Raphaël
Cardiologie
MASSART Catherine
MATHIEU-SANQUER Romain
Urologie
MENARD Cédric
Immunologie
MENER Eric
MILON Joëlle
Anatomie
MOREAU Caroline
MOUSSOUNI Fouzia
Informatique
MYHIE Didier
PANGAULT Céline
RENAUT Pierric
RIOU Françoise
ROBERT Gabriel
Psychiatrie d'adultes; addictologie
ROPARS Mickaël
Anatomie
SAULEAU Paul
Physiologie
TADIÉ Jean-Marc
Réamination; médecine d'urgence
TATTEVIN-FABLET Françoise
TURLIN Bruno
VERDIER Marie-Clémence
Pharmacologie fondamentale;
clinique; addictologie
VINCENT Pascal
pharmacologie
REMERCIEMENTS
Je tiens à remercier :
Monsieur Karim Bensalah, professeur des universités et praticien hospitalier en
urologie au CHU de Rennes. Vous m’avez fait un très grand honneur en acceptant de
présider mon jury de thèse. Je vous remercie de l’intérêt que vous avez bien voulu
porter à ce travail et vous prie d’accepter l’expression de mon profond respect et le
témoignage de ma sincère reconnaissance.
Monsieur Renaud de Crevoisier, professeur des universités et médecin de centre de
lutte contre le cancer en radiothérapie au Centre Eugène Marquis à Rennes. Vous
êtes depuis le début de ma formation de radiothérapeute un exemple de dynamisme
et d’énergie que vous mettez au quotidien pour faire avancer notre discipline. Vous
avez su m’impliquer très tôt dans des travaux de recherche passionnants et votre
rigueur scientifique est pour moi un exemple. Je vous remercie d’avoir dirigé ce travail.
Veuillez trouver ici l’expression de mes sincères remerciements et de mon plus profond
respect.
Monsieur Yves Gandon, professeur des universités et praticien hospitalier en
imagerie médicale au CHU de Rennes. Je vous remercie de l’honneur que vous me
faites de juger ce travail. Soyez assuré de l’expression de mon plus profond respect.
Monsieur Romain Mathieu, maître de conférences des universités et praticien
hospitalier en urologie au CHU de Rennes. Je te remercie de l’honneur que tu me fais
de juger ce travail. Sois assuré de mon profond respect et de mon amitié.
Monsieur Oscar Acosta, maître de conférences des universités au Laboratoire
Traitement du Signal et de l’Image de l’Université de Rennes 1. Je te remercie de
l’honneur que tu me fais de juger ce travail mais également de ton encadrement lors
de mon stage de Master 2 au sein du LTSI. Je te pris d’accepter ma sincère
reconnaissance et ma respectueuse considération.
Madame Elisabeth Le Prisé, médecin de centre de lutte contre le cancer et chef du
service de radiothérapie du Centre Eugène Marquis à Rennes. Votre connaissance de
la radiothérapie ainsi que votre capacité à la transmettre m’ont été très précieux tout
au long de ma formation. Vous avez su me transmettre une exigence de compétences
professionnelles aussi bien humaines que techniques. Soyez assurée de l’expression
de mon profond respect et de ma sincère reconnaissance.
L’équipe de radiothérapeutes du Centre Eugène Marquis, Danièle Williaume,
Mohamed Benchalal, Christophe Blay, Joël Castelli, Enrique Chajon, Isabelle
Lecouillard, Julie Leseur et Elodie Nouhaud sans oublier ceux qui ne sont plus dans le
service, Guillaume Louvel et Mohamed Ben Hassel. Je vous remercie pour votre
accueil et pour m’avoir permis de me former à vos côtés.
Mes co-internes, anciens ou présents, de radiothérapie (le docteur Maxime Gobeli,
Christophe, Jérémy, Virginie, Vanessa, Nicolas, Loïg, Flora), d’oncologie médicale ou
d’autres spécialités qui ont croisé ma route durant ces cinq années d’internat. Merci
pour ces moments passés à vos côtés. Soyez assurés de ma sincère amitié.
Tous les médecins qui ont participé à ma formation, en oncologie médicale au Centre
Eugène Marquis et à Lorient, en médecine nucléaire au Centre Eugène Marquis, en
pneumologie au CHU de Rennes et en radiologie à Saint Malo. Soyez assurés de ma
profonde reconnaissance.
Le département de physique médicale, les manipulateurs, les secrétaires et les
brancardiers du Centre Eugène Marquis. Merci à vous.
Toutes les personnes du Laboratoire Traitement du Signal et de l’Image de Rennes 1
et particulièrement à Auréline, Ricardo, Fred, Juan David, Richard, Bastien, Camille,
Gaël, Geoffrey pour leurs contributions concernant ce travail. Vous étiez des
collègues, vous êtes maintenant mes amis.
Toutes les personnes qui sont co-auteurs de l’article dont est issu cette thèse.
Mon père. Tu m’as toujours plus que soutenu dans mes projets d’études. Merci pour
ton affection et les valeurs que tu m’as transmises.
Ma mère. Tu as toujours été un exemple pour moi de bienveillance, d’intelligence et
de travail. Merci de ton éternel soutien.
Mon frère, ma sœur, leurs conjoints et mes neveux. Vous êtes parfaits, ne changez
pas.
Ma famille. Même si la distance nous sépare parfois, je pense toujours bien à vous.
Tous mes amis qu’ils soient amis d’enfance, d’adolescence, des périodes poitevine ou
rennaise. Ou que vous soyez dans ce vaste monde, je vous remercie pour tous les
moments incroyables passés ensemble. C’est aussi grâce à vous si je suis devenu ce
que je suis.
Sommaire
I.
Contexte médical et problématique de la thèse ................................................... 1
a. Généralités sur les cancers prostatiques .......................................................... 1
b. Radiothérapie des cancers prostatiques ........................................................... 4
c.
IRM et radiothérapie des cancers prostatiques ................................................. 8
d. Objectifs de la thèse ....................................................................................... 12
II. Haralick textural features on T2-weighted MR imaging are predictive of
biochemical recurrence following prostate cancer radiotherapy ............................... 14
a. Abstract........................................................................................................... 15
b. Introduction ..................................................................................................... 17
c.
Materials and methods ................................................................................... 19
d. Results ............................................................................................................ 24
e. Discussion ...................................................................................................... 26
f.
III.
Tables and figures .......................................................................................... 36
Conclusion ...................................................................................................... 48
a. Valeur pronostique des paramètres de Haralick sur IRM en oncologie .......... 48
b. Intégration des facteurs pronostiques biologiques et de radiomique dans des
modèles prédictifs globaux .................................................................................... 51
IV.
Valorisation médico-scientifique ..................................................................... 53
V.
References ..................................................................................................... 54
I. Contexte médical et problématique de la thèse
a. Généralités sur les cancers prostatiques
Le cancer de la prostate est un problème de santé publique majeur puisqu’il a été
enregistré plus de 1,1 million de cas dans le monde et son incidence était en France
de 57000 en 2012, soit donc le premier cancer chez l’homme (1). Il est également
responsable de plus de 300000 décès par an dans le monde et 8900 décès par an en
France (2). Il survient principalement chez l’homme de plus de 65 ans et son incidence
a augmenté historiquement pendant 10 ans en raison d’un dépistage plus précoce et
d’un allongement de l’espérance de vie. Actuellement, son incidence s’est stabilisée
en France. L’agressivité du cancer peut être estimée en fonction de la classification de
D’Amico (3) (Tableau 1), de l’âge du patient et de son espérance de vie, également
liée à ses co-morbidités. En fonction de ses critères, plusieurs options thérapeutiques
peuvent être proposées. L’imagerie par résonnance magnétique occupe également
une place importante en situation pré-thérapeutique pour rechercher principalement
une atteinte extra-capsulaire et ganglionnaire.
Stade T Taux de PSA (ng/ml) Score de Gleason
Bas risquea
Risque intermédiaireb
Haut risquec
≤ T2a
et ≤ 10
et 6
T2b
]10 ; 20]
7
≥ T2c
ou > 20
ou ≥ 8
1
Tableau 1: Classification des groupes à risque selon d’Amico (3)
(a) Une tumeur de bas risque implique tous les critères.
(b) Sans aucun critère d’une tumeur de haut risque.
(c) Seul un critère est suffisant pour considérer ce risque
Les thérapies à envisager pour les cancers prostatiques non métastatiques peuvent
être multiples.
-
La surveillance active :
Le concept de surveillance active consiste à ne pas traiter les cancers de prostate de
très bas risque en l’absence d’évolution tumorale (4). Elle s’adresse aux patients
remplissant des critères définis particuliers (variables selon les équipes) : stade
clinique T1c ou T2a, PSA < 10 ng/ml, moins de 3 biopsies positives (sur au moins 10
carottes biopsiques), dont aucune ne comprend une longueur de plus de 3 mm sans
grade 4 (score de Gleason < 7). La surveillance est dite active car elle nécessite la
réalisation de nouvelles biopsies 3 mois après le diagnostic initial, accompagnées d’un
toucher rectal, d’un dosage de PSA et si possible d’une IRM réalisée avant les
biopsies. Une évolution tumorale faisant sortir le patient des critères de surveillance
active fera proposer au patient un traitement local à visée curative. Deux patients sur
trois en surveillance active ne seront finalement pas traités dans les cinq ans.
-
La chirurgie :
La prostatectomie radicale est généralement proposée aux patients avec un cancer
prostatique localisé ayant une espérance de vie supérieure à dix ans. Elle consiste en
une ablation de la prostate et des vésicules séminales, associée à un curage
ganglionnaire pelvien pour les tumeurs de risque intermédiaire ou élevé. Les effets
2
indésirables sont principalement l’impuissance dans 30 à 60% des cas (dépendant de
la préservation des nerfs érecteurs et des antécédents du patient) et l’incontinence
urinaire d’effort dans environ 20% des cas.
-
La radiothérapie externe :
La radiothérapie externe (RT) prostatique peut être proposée chez tous les patients
atteints de cancer prostatique quel que soit le risque. Les volumes cibles sont la
prostate et les vésicules séminales et éventuellement les aires ganglionnaires
pelviennes, le bénéfice de l’irradiation ganglionnaire du pelvis restant controversé. La
dose totale délivrée à la prostate est de 74 à 80 Grays (Gy) et la technique de référence
est la radiothérapie avec modulation d’intensité (RCMI ou IMRT) avec guidage par
l’image (IGRT). La radiothérapie peut également être effectuée après une
prostatectomie radicale en cas de marges positives, de stade pT3 ou de récidive
biologique. Les effets indésirables tardifs de la radiothérapie les plus fréquents sont
urinaires obstructifs ou irritatifs (20 à 25% des cas de grade > 2 à 5 ans), digestifs à
type de rectite ou de rectorragies (15 à 20% des cas de grade > 2 à 5 ans) et sexuels
à type d’impuissance dans 30 à 60% des cas à 5 ans.
-
La curiethérapie :
La curiethérapie consiste en l’implantation définitive de sources radioactives scellées
d’iode
125I
(bas débit de dose) ou en l’implantation temporaire de sources scellées
d’Iridium 192Ir (haut débit de dose). Elle est indiquée en monothérapie pour les cancers
prostatiques de risque faible et « intermédiaire-faible » selon Zumsteg et al. (5), ou
éventuellement en complément de la radiothérapie externe pour les cancers de risque
« intermédiaire-élevé » ou de haut risque. Les principaux effets secondaires sont des
3
troubles urinaires obstructifs. La dysfonction érectile est classiquement plus rare
qu’après les autres modalités de traitement local.
-
L’hormonothérapie :
L’hormonothérapie consiste en un blocage androgénique par analogues de la LH-RH
en association avec la radiothérapie externe pour une durée de 6 mois pour les
tumeurs de risque « intermédiaire-élevé » ou de 3 ans pour les tumeurs de risque
élevé. Les principaux effets secondaires sont l’impuissance, les bouffées de chaleur,
les douleurs ostéo-articulaires et la diminution de la densité minérale osseuse.
b. Radiothérapie des cancers prostatiques
La RT consiste en la délivrance de rayons de haute énergie dans un volume cible
tumoral à l’aide de faisceaux de photons ou d’électrons émis par un accélérateur
linéaire d’électrons (Figure 1).
Figure 1 : Accélérateur linéaire d’électrons de radiothérapie. Synoptique d’un appareil
(A) d’après Dillenseger et al. (6) et exemple de l’appareil Elekta Versa HD TM (B).
4
Schématiquement, un rayonnement ionisant de l’ordre de 6 à 20 MV est produit et va
induire des effets directs et indirects sur l’ADN impliquant notamment la création de
radicaux libres hautement réactifs (produits par la radiolyse de l’eau).
En cas de RT prostatique, la dose totale (74 à 80 Gy) est fractionnée, permettant
d’augmenter l’effet différentiel entre la réparation plus lente des altérations du
rayonnement faites sur l’ADN des cellules cancéreuses par rapport à celles faites sur
l’ADN des cellules des tissus sains.
La RT des cancers de prostate bénéficie d’innovations importantes sur le plan
technique permettant une amélioration de la précision de la radiothérapie. Ces voies
d’optimisation ont pour but d’augmenter le contrôle local et de diminuer les effets
secondaires :
-
Une meilleure définition de la cible grâce à l’imagerie par résonance
magnétique (IRM) et métabolique lors de la planification initiale.
-
Une distribution de la dose optimisée et hautement conformationnelle à l’aide
de nouvelles modalités de délivrance de la dose (radiothérapie par modulation
d’intensité [RCMI] ou protonthérapie).
-
Un meilleur suivi de la cible à traiter avec la prise en compte des variations
anatomiques par la radiothérapie guidée par l’image (IGRT, Image Guided
RadioTherapy).
Si la délinéation de la prostate est réalisée de façon standard à partir du scanner, l’IRM
multiparamétrique permet, entre autres, une meilleure définition de la prostate et du
cancer prostatique (cf Chapitre Ic). L’imagerie métabolique, principalement
représentée par la tomographie par émission de positons (TEP) pourrait être
5
également utile pour la détection de la lésion tumorale prostatique. De nouveaux
traceurs (18F- ou 11C-choline [Figure 2], 68Ga-PMSA) ont fait leur apparition permettant
une augmentation des performances diagnostiques de la TEP par rapport au traceur
classique représenté par le
18F-FDG
(7). Par contre, la corrélation de ces modalités
d’imagerie avec l’anatomopathologie et la recherche d’outils robustes de segmentation
et de recalage performants sont encore en cours de validation.
Figure 2 : Tomographie par émission de positons au
18F-choline
montrant un foyer
d’hyperfixation sur une zone de récidive intra-prostatique en zone périphérique gauche
d’un adénocarcinome prostatique traité par radiothérapie.
6
La RCMI permet une délivrance de la dose hautement conformationnelle grâce, d’une
part, aux accélérateurs linéaires de RT dotés de collimateurs multilames et, d’autre
part, aux algorithmes de planification inverse implémentés dans les logiciels de
planification (Figure 3). Ainsi, les distributions de dose s’adaptent au mieux aux
volumes-cibles ayant une forme arrondie (concaves ou convexes) épargnant le plus
possible les organes sains adjacents (rectum, vessie et têtes fémorales pour la RT
prostatique) autorisant donc une augmentation de la dose sur le
volume-cible
prostatique. L’expérience clinique de la RCMI prostatique, publiée depuis plus d’une
dizaine d’années, a prouvé son efficacité en termes de toxicité et de contrôle
biochimique par rapport à la radiothérapie conformationnelle tridimensionnelle (8). Une
autre évolution de la RT est l’arc-RMCI qui permet de diminuer fortement la durée de
l’irradiation prostatique et donc possiblement les mouvements prostatiques intrafractions (9). La protonthérapie a, de par la nature du proton, une balistique favorable.
Le rendement en profondeur est meilleur qu’avec les photons (étalement du pic de
Bragg) et la dispersion des protons le long de la trajectoire du faisceau est plus faible
(diminution de la pénombre latérale). Ainsi, les mêmes avantages dosimétriques en
termes d’augmentation de dose et d’épargne des tissus sains sont retrouvés qu’avec
la RCMI (10). Cependant, le coût important de cette modalité d’irradiation réserve son
utilisation à d’autres localisations que le cancer de la prostate en France, en dehors
d’essais cliniques (11).
La précision de la RCMI prostatique ne doit pas faire oublier les considérations
anatomiques pelviennes. La prostate est un organe mobile qui peut se déplacer
jusqu’à 2 cm dans le pelvis et cela malgré un positionnement global satisfaisant du
patient (12), souvent à cause de déformations de la vessie et du rectum. L’impact
clinique sur la survie de la distension rectale a été montré dans plusieurs articles
7
(13,14). L’IGRT peut diminuer l’impact de ces incertitudes de positionnement, soit par
visualisation directe des organes (scanner cone-beam embarqué) ou indirecte
(marqueurs radio-opaques intra-prostatiques). Une dernière évolution technique, en
cours d’évaluation, est la RT adaptative qui permet à l’aide de nouvelles planifications
en cours de RT de prendre en compte des variations de volume et de forme des
volumes-cibles tumoraux ou des organes à risque.
Figure 3 : Vue d’ensemble des procédures de planification en RCMI
c. IRM et radiothérapie des cancers prostatiques
Une IRM pelvienne faite dans le cadre d’un cancer prostatique doit être multiparamétrique, c’est-à-dire comporter des séquences pondérées en T2 (T2-w), T1 (T1w) et en diffusion (DWI) (cette dernière étant utilisée pour calculer la cartographie du
coefficient de diffusion apparent ou ADC) ainsi qu’une séquence dite de perfusion
8
(DCE pour Dynamic Contrast-Enhanced), comme le montre la Figure 4. Des
recommandations internationales existent pour l’interprétation d’une IRM prostatique
qui ont été récemment mises à jour (15). En simplifiant, une tumeur prostatique est
hypointense en séquence T2-w, non-hyperintense en séquence T1-w (éliminant une
hémorragie notamment post-biopsique), en restriction de diffusion (hyperintense en
séquence DWI sur les hautes valeurs de b et hypointense sur la cartographie ADC)
avec un rehaussement précoce en séquence de perfusion DCE.
La place de l’IRM dans la prise en charge globale des cancers prostatiques est
multiple :
- Au diagnostic initial afin de visualiser la tumeur prostatique, de déterminer son
extension locale (extension extra-capsulaire, atteinte des vésicules séminales,
atteinte vésicale ou rectale) ou régionale (adénopathies pelviennes et/ou
métastases lombo-aortiques). Une méta-analyse récente, incluant 1785
patients, reporte une spécificité et une sensibilité de l’IRM multiparamétrique
prostatique de 82% (16).
- En cas de suspicion de récidive tumorale après traitement (RT, curiethérapie
ou chirurgie).
- Dans le suivi d’un patient en surveillance active et notamment en cas de
données cliniques discordantes. L’évolution d’une tumeur prostatique sur les 2
lobes de la prostate en IRM est un élément à prendre en compte dans la
décision de proposer un traitement curatif plutôt qu’une poursuite de la
surveillance active (17).
9
Figure 4 : IRM multiparamétrique prostatique avec des coupes axiales de séquences
pondérées en T1 (T1-w) et en T2 (T2-w), une cartographie du coefficient de diffusion
apparent (ADC) et une séquence de perfusion (DCE). La tumeur prostatique est
représentée par une flèche blanche sur chaque séquence (exceptée sur le T1-w).
En plus des points discutés plus haut, la place de l’IRM dans la radiothérapie des
cancers prostatiques tend à s’étendre :
- Lors de la planification pour déterminer les volumes-cibles à savoir la prostate,
les vésicules séminales et parfois les ganglions pelviens. La délinéation de la
prostate sur un scanner est plus large que sur IRM et peut donc amener à
augmenter l’irradiation des organes à risque avoisinants (18,19). La
problématique de la précision du recalage de l’IRM sur le scanner de
planification reste cependant une question encore débattue.
- Lors de la réalisation d’une surimpression prostatique dans la lésion
dominante intra-prostatique par radiothérapie stéréotaxique ou curiethérapie
10
(essais cliniques en cours). La problématique du recalage reste ici la même que
précédemment avec en plus ici la problématique de la corrélation
anatomopathologique de la lésion dominante visualisée sur l’IRM (20).
En routine clinique, l’interprétation d’une IRM prostatique est essentiellement
qualitative, hormis la cartographie ADC (représentation en niveaux de gris de la
quantification du coefficient de diffusion apparent) et la mesure de la taille tumorale ou
de l’extension extra-capsulaire par exemple. Les données concernant l’intégration de
paramètres quantitatifs dans l’interprétation radiologique d’IRM de cancers
prostatiques sont retrouvées dans de multiples publications :
- Pour le diagnostic de cancer prostatique assisté par ordinateur (ou CAD pour
Computer-Aided Diagnosis) (21,22). On distingue les systèmes d’aide à la
détection (CADx) qui fournissent une carte de probabilité de présence tumorale,
des systèmes d’aide à la décision qui donnent un score de suspicion de cancer
d’une région préalablement segmentée.
- Pour évaluer l’agressivité d’un cancer prostatique (23–25).
L’analyse quantitative du signal en IRM est un domaine vaste nécessitant d’extraire
des caractéristiques descriptives d’une image qui peuvent être de différents
types (statistiques, fréquentielles, etc). Ainsi, par exemple, la notion de paramètres de
textures basés sur la matrice de co-occurrence des niveaux de gris a été introduite par
Haralick (26). Ces derniers permettent de prendre en compte les relations existantes
entre 2 pixels voisins caractérisant ainsi la présence de structures organisées
invisibles à l’œil nu. Le nombre de paramètres extraits étant souvent important, le
recours à des systèmes de classification supervisées ou non-supervisées est souvent
11
nécessaire pour éliminer les paramètres non informatifs ou corrélés entre eux (27).
L’extraction et l’étude de ces caractéristiques d’imagerie est appelée radiomique (ou
radiomics en anglais).
Dans les cancers prostatiques, l’analyse de texture a pour l’instant été explorée afin
d’améliorer la caractérisation de la lésion tumorale (28,29) ou comme biomarqueur de
l’agressivité du cancer (30,31). Par contre, elle n’a pas encore été explorée en tant
que biomarqueur de la survie et/ou de la réponse à un traitement (notamment la
radiothérapie) à l’inverse des cancers du sein, du col de l’utérus, du cerveau, ORL,
des lymphomes ou des sarcomes (32–41).
d. Objectifs de la thèse
Bien que la RCMI et l’IGRT permettent de délivrer des hautes doses en radiothérapie
prostatique moderne, il persiste des récidives tumorales après traitement, en
particulier chez les patients de risque intermédiaire et de haut-risque selon la
classification de d’Amico. Identifier ces patients à risque de récidive est un enjeu
majeur en cancérologie prostatique. Les facteurs pronostiques connus, bien que
robustes, demeurent perfectibles. Une analyse quantitative de l’IRM prostatique
pourrait être informative et fournir des biomarqueurs prédictifs de l’agressivité et/ou de
la récidive des cancers prostatiques après RT.
Il n’existe dans la littérature aucune donnée sur la valeur prédictive des paramètres de
textures extraits sur IRM prostatique sur la récidive après traitement.
Les objectifs de cette thèse sont :
12
-
D’explorer la corrélation d’une analyse quantitative de l’IRM prostatique sur T2w et cartographie ADC avec le score de Gleason.
-
De déterminer la valeur pronostique de caractéristiques descriptives
quantitatives, incluant une analyse de textures de Haralick, sur la séquence T2w et sur la cartographie ADC sur la récidive biochimique après RT prostatique.
Pour faciliter la lecture de l’article, les tableaux et figures de ce dernier sont notés
à part et sont consultables à la fin de l’article (Chapitre 2).
13
II. Haralick textural features on T2-weighted MR imaging
are predictive of biochemical recurrence following
prostate cancer radiotherapy
Khémara Gnep, MD,
Carvajal, PhD,
1,2
1,2,3
Auréline Fargeas, PhD,
1,2
Ricardo Enrique Gutiérrez-
Frédéric Commandeur, PhD, 1,2 Romain Mathieu, MD, 1,2,4 Juan
David Ospina, PhD
1,2
Yan Rolland, MD,
6
Tanguy Rohou, MD,
5,6
Sébastien
Vincendeau, MD, 4 Mathieu Hatt, PhD 7 Oscar Acosta, PhD, 1,2 Renaud de Crevoisier,
MD, PhD, 1,2,3
1INSERM,
2Université
U1099, Rennes, F-35000, France
de Rennes 1, LTSI, Rennes, F-35000, France
3Departement
4Departement
of Radiotherapy, Centre Eugène Marquis, Rennes, France;
of Urology, Centre Hospitalier Universitaire Pontchaillou, Rennes,
France;
5Departement
of Radiology, Centre Hospitalier Universitaire Pontchaillou, Rennes,
France;
6Departement
7LaTIM,
of Radiology, Centre Eugène Marquis, Rennes, France;
INSERM UMR 1101, University of Brest, France;
14
a. Abstract
Purpose: To assess the prognostic value of magnetic resonance imaging (MRI),
including Haralick textural features, on biochemical recurrence following prostate
cancer radiotherapy.
Material and Methods: Eighty-three patients with localized prostate adenocarcinoma
underwent pre-treatment 3.0T MRI before external beam radiotherapy. Median followup of 47 months revealed 11 patients with biochemical recurrence. Prostate tumors
were segmented on T2 weighted sequences (T2-w) and contours propagated onto the
co-registered apparent diffusion coefficient (ADC) images. We extracted 140 image
features from normalized T2-w and ADC images corresponding to first order (N=6),
gradient-based (N=4), and second order Haralick textural features (N=130). Four
geometrical features (tumor diameter, perimeter, area, and volume) were also
computed. Correlations between Gleason score and MRI features were assessed. Cox
regression analysis and random survival forests (RSF) were performed to assess the
prognostic value of MRI features regarding biochemical recurrence.
Results: Five T2-w and four ADC Haralick textural features significantly correlated with
Gleason score. We found 32 T2-w Haralick features and all four geometrical features
to be significant predictors of biochemical recurrence. The most predictive features
were Haralick features Difference Variance, Contrast, and Inverse Difference Moment,
along with standard deviation, tumor volume, and Gleason score. In the high-risk
group, the T2-w Haralick features Contrast, Difference Entropy, and Inverse Difference
Moment were the most predictive parameters, along with tumor volume.
15
Conclusion: T2-w Haralick features appear to be strong predictors of biochemical
recurrence following prostate cancer radiotherapy, especially in the high-risk group.
Key Words: magnetic resonance imaging; prostate cancer; radiotherapy; T2-weighted
imaging; radiomics; texture analysis; imaging biomarkers
16
b. Introduction
External beam radiotherapy (RT) is considered a standard treatment for localized
prostate cancer (PC). However, associated 5-year biochemical recurrence rates are
reported at 0-10%, 10-20%, and 30-40% for each of the three D’Amico risk
classifications (low, intermediate, and high), respectively (42). These are defined
based on the clinical T stage (on digital rectal examination), prostate specific antigen
(PSA) rate, and Gleason score (3). Patients with intermediate- or high-risk cancer can
be treated with either RT, radical prostatectomy or brachytherapy, with or without
androgen deprivation therapy for the most aggressive tumors. These risk groups are,
however, heterogeneous in terms of radiosensitivity, rendering it essential to identify
other predictors of recurrence to intensify local or systemic treatments for tumors with
the highest recurrence risk. Over the last few years, imaging biomarkers, popularly
called “radiomics”, have been recognized as potentially powerful tools to aid in
identifying patients with tumor subgroups with high recurrence risk (43).
Multiparametric prostate magnetic resonance imaging (MRI) is primarily performed in
prostate cancer cases for staging, as well as assessing tumor location, local extent
(extracapsular extension and/or seminal vesicle invasion), and lymph node
involvement. The recently-developed PI-RADS (Prostate Imaging Reporting and Data
System) is a structured reporting scheme designed to evaluate the prostate (44), able
to detect tumors with a sensitivity ranging from 0.70 to 0.84 and specificity from 0.68
to 0.86, as shown in a recent meta-analysis (16).
While qualitative analysis of prostate MRI plays a crucial role at the pretreatment
staging step, quantitative analysis of MRI images is, in contrast, rarely used in clinical
17
practice for predicting recurrence. The only established predictive parameters are
therefore MRI-derived T-stage, tumor volume, extracapsular extension, seminal
vesicle invasion, and volume of malignant spectroscopic MRI metabolism (45–48).
Textural features, characterizing the spatial variations of signal intensity in an image,
may be particularly useful in predicting recurrence, as they could quantify underlying
pathophysiological processes associated with tumor aggressiveness or resilience to
treatment (49). Haralick textural features, derived from the grey-level co-occurrence
matrix (GLCM), quantify the spatial relationships between neighboring voxels using
second order statistics. Numerous quantitative parameters can then be calculated
within these matrices, corresponding to different characterizations of intensity patterns
within the image (cf. Table 3) (26). Studies on cancer treatment prediction have
investigated MRI Haralick textural features in lymphoma, breast, nasopharyngeal,
glioma, and sarcoma cancers (33,34,37–39,41). In these cases, Haralick parameters
extracted on MRI prior to initiating treatment correlated with chemotherapy tumor
response and/or survival.
Haralick textural features have already been used to discriminate prostate cancer from
healthy tissue (50,51) or for Gleason score assessment (30,31). To our knowledge,
however, these features have not yet been investigated in terms of recurrence
prediction in prostate cancer, and never specifically following RT.
This study therefore sought to assess the prognostic value of T2-weighted (T2-w) and
apparent diffusion coefficient map (ADC) MRI data, including Haralick textural features,
regarding biochemical recurrence following prostate cancer radiotherapy. Due to the
large number of tested features and relatively limited number of events, machinelearning methods were combined with more standard statistical tests in order to identify
predictors while increasing the method’s recurrence prediction capability.
18
c. Materials and methods
Patient, tumor, and treatment characteristics, as well as biochemical control
Our Institutional Review Board approved this retrospective study and waived informed
patient consent. From January 2009 to February 2012, a total of 349 consecutive
patients were identified from our electronic medical database as having undergone RT
for localized prostate cancer in our institution, 83 of whom were included. The following
inclusion criteria applied: histologically confirmed prostate adenocarcinoma on needle
biopsy; intermediate- and high-risk localized non metastatic prostate cancer;
multiparametric 3.0 Tesla (T) MRI, according to European Society of Urogenital
Radiology recommendations, where the tumor had to be apparent. The exclusion
criteria were: T4 stage; presence of post-biopsy hemorrhage on MRI; radical
prostatectomy before RT; androgen deprivation therapy (ADT) before MRI; total RT
dose <74 Gy and follow-up period <18 months.
All patient, tumor, and treatment characteristics are presented in Table 1. The tumors
were localized in the peripheral zone (PZ) in 74 patients and the transition zone in nine.
All patients underwent intensity-modulated RT (IMRT) and image-guided RT (IGRT),
delivering total doses of 74-80 Gy to the prostate. High-risk tumor patients, namely
58%, also received adjuvant ADT for 36 months. Patients were followed up by means
of clinical examination and PSA level analysis every 6 months after RT for 5 years.
After a median follow-up of 47 months (range: 19-65 months), 11 patients exhibited
biochemical recurrence, defined according to the Phoenix criteria (2 ng/ml increase
above the PSA nadir after RT) (52). The 4-year freedom-from-biochemical-recurrence
rate was 83% (95% confidence interval [CI]: 73-93%).
19
MRI technique
MRI scanning was performed using two different 3.0 T scanners (Achieva TX, Philips
Healthcare, Best, The Netherlands; Magnetom Verio, Siemens Healthcare, Malvern
PA), both with 6-channel cardiac phased-array surface coils, with the patients scanned
in supine position. MRI sequences included axial turbo spin echo T2-w and axial
diffusion sequences using multiple b values. ADC maps were calculated by the
manufacturer’s software. The sequences’ parameters have been detailed in Table 2.
Pre-processing of T2-w and ADC images
Only T2-w and ADC images were considered. Figure 1 depicts the study workflow,
divided into three steps: manual segmentations, region of interest (ROI) propagation,
and feature extraction.
All manual segmentations of the tumor, prostate, peripheral zone, and transition zone
were performed by the same physician, an expert in prostate cancer. They were
delineated on the axial T2-w images on each slice with the help of all available MRI
images (including T1-w, T2-w, diffusion, ADC, and dynamic contrast-enhanced [DCE]
perfusion),
MRI
radiologist
reports,
and
pathology biopsy
reports.
Tumor
segmentations had to be highly representative of PC on all sequences. This meant no
post-biopsy hemorrhage on T1-w, a focal hypointense signal on T2-w, a diffusion
restriction on the diffusion (hyperintense signal) and ADC (hypointense signal) images,
and an increased early enhancement on DCE perfusion. We used ITK-SNAP software
for segmentation (open source software; www.itk-snap.org). Rigid registration and Bspline based resampling were applied between the ADC and T2-w images when
20
necessary. Each registration was visually validated by the same expert. As T2-w and
ADC intensity values can vary over several parameters, a normalization per voxel for
each sequence was performed, which also enabled comparison between patient data.
The normalized signal intensity was the ratio of the raw signal intensity to the maximal
signal intensity of the sequence, which corresponded to the urine signal inside the
bladder (53).
MRI feature extraction
Four kinds of features (first order statistics, gradient-based features, second order
Haralick textures, and geometrical measurements) for a total of 144 features were
computed in each T2-w and ADC slides (Figure 1). The first order features, over a local
9×9 voxel window centered on the voxel of interest, included the local mean, median,
and standard deviation signal intensity. Gradient-based features were based on the
gradient magnitude of the Sobel and Kirsch filters, i.e., an index of how different the
voxel was from its neighbors. The second order of Haralick textural features consisted
of a voxel’s relationship with its neighbors (Figure 2). Contrary to the first order metrics,
these consider the relationship between pairs of neighboring voxels in the image.
These features were derived from the grey level co-occurrence matrix (GLCM), with a
spatial relationship defined as the relative direction θ (limited to 0°, 45°, 90°, and 135°,
in this study). A total of 130 Haralick features (26) were then extracted, namely:
Contrast, Correlation, Sum of Squares, Inverse Difference Moment, Sum Average,
Sum Variance, Sum Entropy, Energy, Entropy, Difference Variance, Difference
Entropy, and two different Information Measures of Correlation (Table 3). We also
calculated the average value of the four angle values (θ). Haralick textural features
characterize homogeneity, grey level transitions, and the presence of organized
21
structures. The number of grey-levels in the GLCM was set to eight, in line with a
previous study (39). A fourth set of features consisted of four geometric tumor
characteristics on T2-w, namely 2D parameters amongst the transverse, sagittal, and
coronal plans (maximal tumor diameter, perimeter, and area), and the tumor volume.
We applied a spherical approach to compute the 2D parameters, since a tumor’s shape
can be compared to a sphere (54). All feature extraction methods were implemented
using MATLAB® (The Mathworks Inc, MA), with the results presented in Table 3.
Statistical analysis
Correlations between extracted features and Gleason scores were investigated using
the Spearman’s rank correlation coefficient. Comparisons of tumor characteristics with
different Gleason scores were performed using nonparametric tests (Wilcoxon signedrank test).
The prognostic capacity of MRI features in terms of biochemical recurrence risk was
assessed using the Cox proportional hazards model in univariate analysis on the entire
cohort, then in the high-risk tumor subgroup. In order to derive comprehensible hazard
ratios (HR) and CI, values of textural features were standardized as follows: Y=(X-µ)/σ,
where Y is the standardized value of the feature, X the initial value of the feature, µ the
mean, and σ the standard deviation of the feature among all patients. We were unable
to perform a Cox proportional hazards model in multivariate analysis due to the low
number of recurrence events, hence our choice to also exploit random survival forests
(RSF) based on approximate log-rank splitting rules (55–57). RSF consist of an
ensemble tree method for analyzing right-censored survival data. In RSF,
randomization is introduced in two forms: 1) a randomly-selected bootstrap sample for
22
growing the tree; 2) splitting the root into two daughter nodes using a splitting rule (logrank, in this study) on a randomly-selected covariate. The split is most effective when
the survival difference between the daughter nodes is maximized. Thus, by grouping
hazard estimates from terminal nodes, a cumulative hazard function for the tree can
be calculated. In this study, 2000 trees were grown in a preceding trial to generate the
ensemble cumulative hazard. The quality of a predictive survival model can be judged
by its prediction error. As described later, Harrell’s concordance index (C-index) can
be used to determine the model’s quality. The relevance of each model covariate was
determined by applying the model to the data not used in its construction, namely the
“out-of-bag” data (OOB data). High positive relevance values indicate informative
covariates, whereas small positive or negative relevance values indicate noninformative covariates. This OOB data thus enabled us to automatically range and
select the more relevant features, which were then added to a new RSF. It is important
to note that we only selected features with low intercorrelation (as quantified using the
Spearman’s rank correlation coefficient).
All MRI features and clinical information (PSA rate, clinical T stage, MRI T stage,
Gleason score, nodal status, D’Amico risk groups, androgen deprivation therapy, dose
of radiotherapy, type of MRI scanner, and age) were tested.
Harrell’s C-index was also used to quantify the predictive value of each feature to
establish a ranking between them (58) and enable comparison of all the investigated
methods. The C-index ranges from 0.5 (non-informative feature) to 1.0 (perfect
predictive discrimination).
Kaplan-Meier biochemical recurrence estimates for the four most predictive
parameters were presented in graphs. For each parameter, the median value was
23
chosen in order to divide the entire cohort into two parts. Statistical significance
between curves was assessed using the log-rank test.
All calculations were performed using R software
(R Foundation for Statistical
Computing, Vienna, Austria) and the Statistical Package for the Social Sciences,
Version 20.0.
d. Results
Correlation between MRI features and Gleason score
Table 4 presents Spearman’s correlation coefficient for the five T2-w features and four
ADC features found to be significantly (p <0.05) associated with Gleason score. There
was no significant correlation between first order T2-w, gradient-based T2-w or ADC
features.
The only significant difference in mean values of the parameters correlating with the
Gleason score (6 or >6) applied to the T2-w features. The mean values for the three
most correlated T2-w features were 0.035 ± 0.01 versus 0.032 ± 0.01 for the 90°
Difference Variance, 1.27 ± 0.04 versus 1.30 ± 0.06 for 45° Difference Variance, and
1.11 ± 0.08 versus 1.17 ± 0.09 for 90° Difference Entropy, for a Gleason score of 6 and
> 6, respectively.
Considering only the tumors in the PZ, the same features statistically correlated with
Gleason score as those of the entire cohort.
Predictors of biochemical recurrence
24
Table 5 summarizes the significant parameters involving biochemical recurrence risk
resulting from the Cox proportional hazards model in univariate analysis. All
geometrical characteristics, nodal statuses, Gleason scores, Kirsch operators, and first
order characteristics on both T2-w (mean, median, and standard deviation) and ADC
(mean) imaging were significantly predictive of biochemical recurrence. Figure 3
presents the features ranked according to their predictive discrimination power (using
C-index for Cox regression and OOB-data for RSF). Common features to all statistical
methods (the first thirty for Cox regression and RSF, using all available features) were
also identified. Among the Haralick textural features, comparing all methods, only the
T2-w features were predictive variables of biochemical recurrence in the entire cohort,
namely Contrast, Difference Variance, and Inverse Difference Moment.
In the high-risk population, first-order descriptors on T2-w and ADC images were not
significantly predictive of biochemical recurrence. According to Harrell’s C-Index, most
of the T2-w Haralick textural features were the strongest predictors (identified in Table
5 for Cox regression) and also found to be significant predictors of biochemical
recurrence. A comparison of the obtained Harrell’s C-Index according to each method
(Cox regression or RSF) can be found in Table 6.
In both populations (entire and high-risk subgroups), the type of MRI scan used did not
predict biochemical recurrence.
Kaplan-Meier curves of the four most predictive features in the entire cohort (90°
Difference Variance, Contrast mean, 45°Inverse Difference Moment, and Tumor
Volume) are presented according to RSF and Cox regression in Figure 4.
25
e. Discussion
Our study demonstrated that Haralick textural features, derived primarily from T2-w
MRI scanning, correlate with Gleason score and are able to predict biochemical
recurrence following prostate RT. Conversely, the two D’Amico risk classification
criteria, clinical T stage and PSA, were not significant predictors of recurrence in our
cohort. Furthermore, several first-order, gradient-based, and geometrical features
were also predictive of biochemical recurrence, although to a lesser extent. These
results were also observed within the high-risk tumor subgroup. To our knowledge, our
study is the first to analyze the prognostic value of Haralick textural features in prostate
cancer.
Haralick textural features exploit a wide range of factors that statistically describe the
image content, such as oriented information, energy, and disorder, amongst others.
These features are well-suited to describe fine textures that contain no obvious
regularities regarding spatial arrangements and patterns compared to expected MRI
image content (59). Texture representation depends on the relationship between the
signal and noise within the image. Depending on the prostate region and imaging
modality, different textural features seem to be relevant for the clinical endpoint of
biochemical recurrence. Texture analysis algorithms were initially designed to compute
textural properties in a 2D image space. However, given the evolution of imaging
technologies, new types of image data with volumetric characteristics have emerged.
Directly applying traditional 2D texture analysis algorithms to these new imaging data
types is insufficient to fully explore three-dimensional (3D) textural features in the
volumetric data sets. To address this issue, several studies have extended the 2D
GLCM texture computation into a 3D form (34,60,61).
26
Concerning the actuarial analysis, on the one hand the Cox model clearly represented
the impact of each covariate on overall survival and its relationship with other
covariates (in a multivariate analysis); on the other hand, RSF was not able to provide
hazard ratios and associated p values, and may be considered a ‘‘black box’’ when
interpreting the model, due to the large number of generated trees (2000 trees).
However, the advantage of RSF is that it is much better suited to automation of survival
analysis than a Cox model, as it requires less input from the user in data settings where
covariates are highly inter-correlated. We consider RSF to be a well-adapted
explorative ‘‘data-mining’’ tool for large datasets with covariates that have an, as yet
undetermined, effect on the model output variable. Based on these analyses' results,
we demonstrated that RSF can assist in variable selection to speed up Cox model
construction with highly significant covariates with a higher level of confidence than
that achievable with a single method (as we built in an automatic selection step). The
RSF approach using uncorrelated selected features did, in fact, demonstrate a slightly
better performance than approaches using all available information and a Cox model
with a C-index of 0.87 (versus 0.78). Our study revealed that an appropriate
determination of the feature subset is thus a crucial step in improving statistical
performance. The log-rank approximate approach offered the fastest computation,
followed by the conservation of events rule.
Gleason score is probably the most powerful prognostic factor for prostate cancer (62).
This parameter was found to be the only predictive factor (not extracted from MRI) of
biochemical recurrence following RT. We thus chose to explore the correlation
between the imaging parameters and Gleason score. Particular attention was paid to
Gleason scores of 6 (versus Gleason >6), since this is one of the criteria requiring
active surveillance.
27
Previous studies have demonstrated the capability of MRI quantification to predict
Gleason score with first-order descriptors, such as mean or median values, both on
T2-w (63,64) and ADC (65–69) images. Some of the Haralick textural features were
also correlated with Gleason score in two recently published studies (15,27). In their
analysis of 143 localized prostate cancers, Wibmer et al. found that Entropy, Inverse
Difference Moment, and Contrast on T2-w images, along with Energy and Entropy (but
not Correlation) on ADC images, were correlated with Gleason score (6 versus >6)
(30). Vignati et al. studied the correlation between Gleason score and T2-w or ADC
Haralick textural features (Contrast and Inverse Difference Moment) on 49 patients
(31). All these parameters were also found to be correlated with Gleason score, and
T2-w Haralick textural features even outperformed classic ADC parameters (mean,
median, 10th, and 25th percentiles).
Our results are in line with these recent findings, proving a correlation between some
of the same Haralick textural features and Gleason score, both on T2-w and ADC
(Contrast and Inverse Difference Moment). We also explored different Haralick
parameters than in the two previously-cited studies, discovering a correlation between
Gleason score and both Difference Entropy and Difference Variance, using both T2-w
and ADC. The magnitude of the correlation in our study, although significant, proved
weaker than that found by Vignati et al., with a correlation coefficient of 0.2-0.3 in our
study, versus 0.3-0.6 in Vignati et al. This is probably due to Gleason score being
defined on biopsies in our study (patients treated by RT), compared to prostatectomy
conducted in the Vignati study, considering that Gleason score has been shown to be
underestimated on biopsies (33). The consensus of these three studies (including
ours) (30,31) is that Contrast and Inverse Difference Moment, primarily defined on T2w, are strongly correlated with Gleason score.
28
Even though D’Amico risk groups of patients are clearly established, they are
heterogeneous in terms of recurrence risk, highlighting our need to identify new
independent predictors within each risk group. Predictors of recurrence using MRI
following prostate cancer radiotherapy have been identified in four studies (45–48)
corresponding to qualitative parameters (seminal vesicle invasion, extracapsular
extension) or simple quantitative parameters (tumor size or malignant metabolic tumor
volume on spectroscopic MRI). To the best of our knowledge, Haralick textural features
on imaging have never been explored in their capacity to predict biochemical
recurrence following RT in prostate cancer. The first study, conducted by Nguyen et
al. in a cohort of 250 patients with clinical T1- or T2-stage prostate cancer, found that
endorectal MRI evidence of seminal vesicle invasion was a significant independent
predictor of biochemical recurrence in multivariate Cox analysis (5). The second study,
carried out by Mckenna et al., analyzed a cohort of 80 patients with localized or locallyadvanced prostate cancer, reporting that the mean diameter of extracapsular
extension at MRI (range: 1-22mm) prior to RT was the sole independent predictive
variable among clinical, biological, and pathological parameters of metastatic
recurrence (HR: 2.06; p = 0.007) (46). The third study was carried out by Joseph et al.
and involved a cohort of 67 patients with localized or locally-advanced prostate cancer,
revealing that the volume of malignant metabolism on spectroscopic MRI (range: 0.128.46mm3) was the only independent predictor of biochemical recurrence in multivariate
analysis (HR: 1.63; p = 0.028) (7). The two independent predictors of metastatic failure
were MRI tumor volume (range: 0-13.48cm3) (HR: 1.34; p = 0.028) and seminal vesicle
invasion on MRI (HR: 28.05; p = 0.0008). The fourth study, by Riaz et al., analyzed a
cohort of 279 patients with intermediate- or high-risk prostate cancer, all having
undergone endorectal MRI prior to brachytherapy and RT (48). In their multivariate
29
analysis, only extracapsular extension (HR: 3.79; p = 0.003) and Gleason score (HR:
3.57; p = 0.002) were independent predictors of recurrence. Our study produced similar
results for geometric characteristics, as we identified four parameters related to tumor
size (diameter, perimeter, area, and volume) that were significantly predictive of
biochemical recurrence. We did not find the extracapsular invasion or the seminal
vesicle invasion (MRI T stage) to be indicative of an increased risk of biochemical
recurrence within our cohort of intermediate- and high-risk tumor patients. In
conclusion, these five studies, along with our own (45–48), demonstrate that geometric
measurements are indeed strong predictive factors of recurrence following prostate
RT.
Haralick textural features from MRI in the field of cancer have so far only been
investigated for assessing tumor response in a few studies involving lymphoma,
breast, glioma, sarcoma and nasopharyngeal cancers (33,34,37–41). Harrison et al.
studied 19 patients with non-Hodgkin’s lymphoma who had undergone MRI before and
during chemotherapy (38). Texture parameters (eight sorts of Haralick features with
histogram,
run-length matrix,
absolute gradient,
and autoregressive model
parameters) were shown to also be useful for chemotherapy response monitoring.
Ahmed et al. explored all Haralick parameters on 100 breast cancer patients who
underwent pre-neoadjuvant chemotherapy MRI (39). They found significant
differences between responders and non-responders to chemotherapy for Contrast,
Sum of Squares, Difference Variance, Sum Entropy, Cluster Shade, and Cluster
Prominence. Michoux et al. studied nine Haralick parameters (amongst other textural
features derived from the run length matrix) on 69 breast cancer patients who
underwent pre-neoadjuvant chemotherapy MRI (40). Energy, Entropy, Contrast,
Inverse Difference Moment, and Difference Variance significantly differed between
30
responders and non-responders to chemotherapy. Yang et al. and Upadhaya et al.
explored a cohort of 83 and 40 patients, respectively, who underwent prechemoradiotherapy multimodal MRI for glioblastoma (33,37). Both studies showed that
textural features (Haralick’s and others) are potent prognostic factors of survival. Liu et
al. prospectively studied 20 Haralick parameters among 126 textural features found on
pre-chemoradiotherapy MRI scans of 53 patients with nasopharyngeal carcinoma (41).
The authors built three predictive models with selected parameters on T1-w, T2-w, and
diffusion-w images. Our study is the first to demonstrate a significant relationship
between Haralick textural features from MRI and biochemical recurrence of prostate
cancer. Most studies, including ours, reported Difference Variance and Contrast to be
informative
in
predicting
treatment
response
(for
lymphoma,
breast,
and
nasopharyngeal cancers) or biochemical failure (for prostate cancer). To a lesser
extent, Inverse Difference Moment, Sum of Squares, Difference Entropy, and Sum
Average also proved potential predictors in three studies, including ours. Using these
parameters, we were able to identify subgroups of tumors with unfavorable prognosis
inside the D’Amico high-risk group population that were likely to be good candidates
for treatment intensification, such as RT dose escalation or chemotherapy.
The vast majority (93%) of Haralick parameters, including the most predictive, were
found in T2-w images, even if some of the ADC features (44%) were also correlated
with Gleason score (and 56% with T2-w). We found that both normalized (on the urine
signal) and non-normalized ADC Haralick parameters were poor predictors of
biochemical recurrence. Moreover, the low resolution of the ADC images compared to
the T2-w images may have impacted the textural information contained in the Haralick
parameters. The co-occurrence distance information required in order to compute
GLCM should be adjusted for ADC images. These results suggest that this modality
31
could be analyzed using more specific texture descriptors that take into account other
issues, such as orientation and multiple resolution. The T2-w modality offers the
highest resolution, and is therefore richest in texture information.
Our study had several limitations. First, it was retrospective in design, incurring a
possible recruitment bias. All the patients did, however, undergo PSA level analysis
every 6 months during follow-up. Secondly, the MRI database contains images from
two different MRI scanners, consequently providing different image properties.
However, the choice of MRI scanner was not found to impact the risk of recurrence,
either for the entire cohort or the high-risk subgroup. Moreover, a normalization step
was applied to both T2-w and ADC voxels in order to decrease signal inhomogeneity,
limiting the potential impact of scanner choice on the feature computation. In any case,
Haralick textural features reflect the relative spatial distribution of neighboring pixels.
In addition, two studies by Mayerhoefer et al. and one by Herlidou-Même et al.
demonstrated MRI protocol analysis to only minimally impact Haralick textural analysis
(71–73). Thirdly, all our segmentations were carried out by the same expert, thus
preventing any assessment of the impact of inter-observer variability on the
delineation. However, these delineations also took into account the biopsy reports.
Two studies have investigated inter-observer variability in prostate tumor delineation
(20,74). Rischke et al. analyzed the tumor delineations of five patients conducted by
five radiation oncologists and an expert radiologist in prostate cancer imaging (74).
Using T2-w and DCE sequences at 3 Tesla, the delineations were similar, with Kappa
indices between 0.6 and 0.7. Steenbergen et al. studied tumor delineations of six
observer teams on the MRIs of 20 prostate cancer patients (20). All teams identified
that most dominant lesions (18/20) resulted in an acceptable agreement, with a Kappa
index of 0.61. The fourth limitation lies in our capacity to only perform univariate Cox
32
regression due to the limited number of recurrence events not
allowing for a
multivariate analysis (classically, one tested parameter per ten events) (75). However,
we provided both the p value and Harrell’s C-index, the latter notably enabling
comparison of the prediction capabilities of the tested parameters in univariate
analysis. Moreover, we were able to identify new MRI-based parameters within a given
risk group (high-risk). To tackle the issue of multivariate analysis, we proposed using
random survival forests, which resulted in an improvement of the C-index values.
Nevertheless, a larger cohort is clearly required to confirm the prognostic value of these
parameters, particularly the Gleason score. A fifth limitation was our consideration of
only one value (eight grey levels) in the quantization involved in the GLCM generation.
In addition, the impact of varying the number of grey-levels employed needs to be
investigated. It should, however, be noted that this issue was explored in another study
assessing the efficacy of an MRI textural analysis in predicting response to
chemotherapy in breast cancer. These authors suggested that reducing the number of
grey levels from 64 to 8 had a minimal effect on the computed feature values and their
ability to predict response to treatment (39). Finally, we did not study any other texturebased features except Haralick features. Fractal analysis (29), discrete cosine
transform (DCT) (28), Gabor and Haar wavelet-based features (50) have already been
studied in previous trials in order to improve prostate cancer characterization.
Moreover, multiparametric prostate MRI includes other possible sequences, such as
diffusion-weighted, DCE perfusion or spectroscopic images, which have not been
explored in our study.
In conclusion, MRI T2-w Haralick textural features were shown to be strong predictors
of biochemical recurrence following prostate cancer radiotherapy, particularly in the
high-risk prostate cancer group. All these parameters could aid the clinician in making
33
decisions in terms of intensifying or diminishing treatments (such as androgen
deprivation, chemotherapy, and radiotherapy dose modifications). Future studies must
now be conducted involving a larger number of patients with pre-biopsy MRI.
34
Acknowledgements:
-
This work was supported by “Region Bretagne” and has received a French
government support granted to the CominLabs excellence laboratory and
managed by the National Research Agency in the “Investing for the Future”
program under reference ANR-10-LABX-07- 01.11.
35
f. Tables and figures
Patient characteristics
Patients
83
Median age (y)
67 (range 50-82)
Tumor characteristics
Median pretreatment PSA (ng/mL)
9.8 (range 3.4-48.0)
PSA < 10
46 (55%)
10 < PSA < 20
27 (33%)
PSA > 20
10 (12%)
Stage (AJCC 1992)
T1c
11 (13%)
T2a
5 (6%)
T2b
19 (23%)
T2c
14 (17%)
T3
34 (41%)
Gleason score
6
22 (27%)
7
42 (51%)
8 and 9
19 (22%)
Group at risk (according to D’Amico)
Intermediate
35 (42%)
High
48 (58%)
Nodal involvement
7 (8%)
Table 1. Characteristics of Patients, Tumors and Treatments
AJCC, American joint commission on cancer; PSA, prostatic-specific antigen; IMRT,
Intensity-modulated radiotherapy; IGRT, Image-guided radiotherapy.
Data are numbers (%) unless otherwise specified.
36
Sequence Parameter
T2-weighted
Matrix (pixels)
Field of view (mm)
TE (ms)
TR (ms)
Slice thickness (mm)
ADC map
Matrix (pixels)
Field of view (mm)
TE (ms)
TR (ms)
Slice thickness (mm)
Diffusion gradient
Siemens Verio MRI
(n=55)
Philips Achieva MRI
(n=28)
448 x 448
239 x 239
100-159
4000-7291
3
720 x 720
300 x 300
120
2700-4352
3
102 x 160
221 x 260
95
4400
6
B0-100-400-800
256 x 256
240 x 240
95
1286-2319
6
B0-150-400-600-1000
Table 2. MRI Sequence Parameters by MRI scanner
TR, repetition time; TE, echo time; ADC, apparent diffusion coefficient
37
First order features
Tumor volume; Maximal tumor diameter;
Maximal tumor perimeter; Maximal tumor area
1
( )
∑
| ( )|
Geometrical features
Mean
∈ ( )
m value that ensures that the pixel number that
belongs to (x) of greater or equal than m is equal
to the pixel number of lesser or equal than m
1
( ))²
√ | ( )| ∑( ( )
Median
Standard deviation
∈ ( )
Gradient-based features
Sobel gradient filter
1
G1 = [ 2
1
+0
G3 = [ 1
2
+0
+0
+0
+1
+0
1
+1
+1
+2] , G2 = [ +0
+1
1
+2
2
+1] , G4 = [ 1
+0
+0
+2
+0
2
+1
+0
+1
+1
+0],
1
+0
+1],
+2
+5
G1 = [ +5
+5
+5
G3 = [ 3
3
3
G5 = [ 3
3
3
G7 = [ 3
+5
3
+0
3
+5
+0
3
3
+0
3
3
+0
+5
3
+5
3], G2 = [ +5
3
3
+5
3
G4
=
[ 3
3],
3
3
+5
3
+5], G6 = [ 3
3
+5
3
3
3], G8 = [ +5
+5
+5
+5
+0
3
+5
+0
3
3
+0
+5
3
+0
+5
3
3],
3
+5
+5],
3
3
+5],
+5
3
3].
3
Kirsch gradient filter
Haralick’s textural features (0°, 45°, 90°, 135°, mean) ⃰
Contrast
∑| |² ( , )
Correlation
∑
Difference entropy
,
! 1
∑
( )log(
=0
Difference variance
( ,) µ µ
,
! 1
∑ ²
( )
=0
Energy
( ) + )
∑ ( , )²
,
Entropy
∑
,
( ,) log( ( ,) + ) =#$%
#$% #$%1
max(#$ ,#% )
Information measure of correlation 1
Information measure of correlation 2
√ 1 )
Inverse difference moment
∑
Sum average
Sum entropy
∑
∑
2!
=2
+
2(# $%2 #$% )
( ,)
1+ ( )2
,
2!
=2
( ) log(
+
( )
+(
) + )= #$+%
38
Sum of squares
∑( μ)² ( , )
Sum variance
2!
∑( =2
,
#$+% )
+
( )
Table 3. Feature characteristics
( ), a 9x9 pixels window centered on the pixel of interest ; ( ),value of the pixel of the
image ; pixel ( ,),( ,)th entry in a normalized grey-tone spatial-dependence matrix, =
P( ,)/R; ( ), th entry in the marginal-probability matrix obtained by summing the rows of
( ,), = ∑!=1 ( ,); Sobel and Kirsch images Ɠ are obtained by filtering of the initial image
by the convolution masks given above; Ɠ =, ∗ where ∗ is the convolution operator; N,
number of distinct grey levels in the quantized image; µ ,µ , , ,means et standard
deviations of the partial probability densities
et ; + (and
, respectively) is the sum
of the probabilities ( ,) of which the sum (and the difference, respectively) of the coordinates
is + (and , respectively); #$% and #% design entropies of the partial probability densities
et ; #$%1 =∑ , ( ,)log( ( ) ( )) and #$%1 =∑ , (i) (j)log( ( ) ( )) are two
estimations of joint entropy. >0 is the infinitesimal value to guaranty the strict positivity of
the log argument.
⃰Haralick’s textural features has been calculated in the four directions corresponding to the four
angles (0°, 45°, 90°, 135°). The average value of the four angle values has been also
calculated.
39
MRI Modalities
Features
T2-weighted
ADC map
rho coefficient
p-value⃰
Contrast 90°
-0.226
0.04
Difference Entropy 90°
-0.236
0.03
Difference Variance 45°
-0.238
0.03
-0.249
0.02
Inverse Difference Moment 90°
-0.229
0.04
Contrast 45°
-0.296
0.01
Difference Entropy 45°
-0.260
0.02
-0.248
0.03
Inverse Difference Moment 45°
-0.261
0.02
Table 4. Correlation between MRI Features and Gleason Score (Significant
Features only)
ADC, apparent diffusion coefficient
⃰Spearman test
40
Features
Haralick
features
Feature values
(mean ± SD)
Harrell’s
C-index
Univariate Cox Regression
P
value
HR
95% CI
T2-w Difference Variance 45°
0.03 ± 0.002
0.80
<0.01
0.31
(0.15 - 0.63)
T2-w Contrast 45°
2.49 ± 0.36
0.80
<0.01
2.89
(1.55 - 5.37)
T2-w Inverse Difference Moment 45°
0.49 ± 0.03
0.79
<0.01
0.32
(0.16 - 0.65)
T2-w Difference Entropy 45°
1.30 ± 0.05
0.79
<0.01
2.85
(1.43 - 5.68)
T2-w Inverse Difference Moment mean
0.57 ± 0.03
0.78
<0.01
0.35
(0.17 - 0.72)
T2-w Difference Variance mean
0.03 ± 0.003
0.78
<0.01
0.34
(0.16 – 0.69)
T2-w Difference Variance 90°
0.03 ± 0.004
0.77
<0.01
0.33
(0.15 - 0.73)
T2-w Contrast mean
2.08 ± 0.35
0.77
<0.01
2.67
(1.43 – 4.99)
T2-w Contrast 90°
1.74 ± 0.43
0.76
<0.01
2.66
(1.39 - 5.09)
0.54 ± 0.03
0.76
<0.01
0.29
(0.12 - 0.73)
0.60 ± 0.04
0.76
<0.01
0.38
(0.18 - 0.79)
1.16 ± 0.09
0.76
<0.01
2.85
(1.34 - 6.08)
T2-w Contrast 135°
2.45 ± 0.44
0.75
<0.01
2.64
(1.32 - 5.26)
1.29 ± 0.07
0.75
0.01
2.73
(1.26 - 5.91)
T2-w Information Measure Of Correlation
1 90°
-0.28 ± 0.05
0.74
0.03
2.46
(1.08 - 5.62)
1 mean
-0.26 ± 0.04
0.73
0.04
2.27
(1.01 – 5.10)
2 90°
0.77 ± 0.04
0.71
0.03
0.43
(0.20 - 0.91)
0.60 ± 0.03
0.70
0.03
0.45
(0.22 - 0.94)
T2-w Contrast 0°
1.65 ± 0.30
0.68
0.04
1.90
(1.04 - 3.47)
T2-w Sum Average 135°
7.95 ± 0.50
0.68
0.04
2.02
(1.04 - 3.93)
T2-w Sum Average mean
7.97 ± 0.49
0.68
0.04
2.02
(1.04 – 3.91)
7.95 ± 0.50
0.67
0.04
2.00
(1.04 - 3.88)
T2-w Sum Variance 90°
42.22 ± 5.07
0.67
0.04
1.86
(1.02 - 3.37)
7.99 ± 0.48
0.67
0.04
2.00
(1.03 - 3.87)
7.99 ± 0.48
0.67
0.04
1.98
(1.02 - 3.86)
41.83 ± 5.89
0.67
0.04
1.88
(1.03 - 3.43)
41.83 ± 5.35
0.67
0.04
1.88
(1.04 - 3.42)
T2-w Sum Variance mean
42.03 ± 5.23
0.67
0.04
1.88
(1.03 – 3.41)
T2-w Sum of Squares mean
18.38 ± 1.99
0.67
0.04
1.89
(1.02 – 3.52)
41
Gradientbased
features
First-order
features
Geometrical
features
42.22 ± 5.14
0.66
<0.05
1.84
(1.01 - 3.37)
T2-w Sum of Squares 45°
18.33 ± 2.11
0.66
<0.05
1.89
(1.02 - 3.53)
T2-w Sum of Squares 90°
18.44 ± 1.94
0.66
<0.05
1.86
(1.00 - 3.46)
T2-w Kirsch
100 ± 29
0.68
0.04
0.56
(0.32 - 0.96)
T2-w Standard Deviation
1503 ± 28
0.76
0.01
0.30
(0.12 - 0.75)
T2-w Mean
37 ± 11
0.76
<0.01
0.42
(0.23 - 0.74)
T2-w Median
36 ± 11
0.75
<0.01
0.43
(0.24 - 0.77)
ADC Mean
74 ± 16
0.73
<0.05
0.42
(0.18 - 1.00)
3521 ± 4485
0.79
<0.01
1.18
(1.09 - 1.29)
897 ± 893
0.77
<0.01
1.07
(1.03 - 1.12)
Maximal Tumor Diameter (mm)
41 ± 21
0.76
<0.01
1.49
(1.14 - 1.96)
Maximal Tumor Perimeter (mm)
129 ± 85
0.76
<0.01
1.07
(1.03 - 1.11)
Gleason Score
0.72
<0.01
3.50
(1.53 - 7.99)
Nodal Status
0.60
0.03
4.35
(1.15 - 16.44)
Tumor Volume (mm3)
Maximal Tumor Area (mm2)
Clinical
parameters
Table 5. Significant Predictors of Biochemical Recurrence using Cox
proportional hazards model (Univariate Analysis) in the whole series (n=83)
HR, hazard ratio; CI, confidence interval;
Data are in arbitrary units unless otherwise specified.
Considering the high risk group only (n=54), all the parameters are still significant except some of the T2-w
Haralick’s textural features (Sum Average, Sum Variance, Sum Average, Sum of Squares, Difference Entropy
mean, Information Measure of Correlation mean), T2-w Kirsch, T2-w first order descriptors (Deviation Standard,
Mean, Median), ADC mean. Moreover, some parameters are only significant in the high risk group: ADC Contrast,
ADC Inverse Difference Moment, ADC Difference Entropy, ADC Difference Variance, T2-w Entropy (angles are not
specified here).
42
Features
Cox model
RSF
(log-rank)
100 iterations
Only significant features
(p < 0.05) in univariate
analysis
(N=43)
All available features
(N=146)
Harrell’s C-index
(mean and standard deviation)
Ranging from 0.60 to 0.80
Uncorrelated selected
features (N=11)
0.82 ± 0.12
0.86 ± 0.10
Table 6. Harrell’s concordance index (C-index)
RSF, random survival forests
43
Figure 1: Overview workflow of the method
RT, radiotherapy; T1-w, T1-weighted; T2-w, T2-weighted; ADC, apparent diffusion
coefficient; DCE, dynamic contrast-enhanced; ROIs, regions of interest; TZ, transition
zone; PZ, peripheral zone; GLCM, grey-level co-occurrence matrix.
44
Figure 2: Grey-level co-occurrence matrix (GLCM)
The number of grey-levels of the grey-scale image is voluntary reduced to 5 in a 5 x 5
pixels matrix and is reproduced in an analogous numeric grey levels grid. The GLCM
is constructed by considering the relationships between pixels on a particular angle
(0°, 45°, 90°, 135°). For example, in the left-right direction (or right-left, at 0°) a “3” has
one “5” neighbor and six “3” neighbors still at 0°. Then the normalized GLCM is
obtained by taking account of the probability and not the count of the co-occurrence.
Haralick’s textural features are obtained by applying different formulas to the GLCM.
45
Figure 3: Out-of-bag data covariate importance values according to random
survival forest (RSF) log-rank splitting rule using (A) all available features
(N=144) and (B) only the uncorrelated selected features (N=11).
The variable importance from RSF analysis using 2000 trees with log-rank splitting rule
was determined by applying the model on the data that was not used in building the
model called out-of-bag data. High positive importance values indicate informative
covariates, whereas small positive or negative importance values indicate noninformative covariates.
** Common significant features for the two statistical models (Cox regression and RSF)
46
Figure 4: Biochemical recurrence rate according to Difference Variance 90° (A),
Contrast mean (B), Inverse Difference Moment 45° (C) and Tumor Volume (D).
For each parameter, the median value has been chosen to divide the entire cohort into
two parts. Except for Tumor Volume, values are given in arbitrary units. Statistical
significance between curves was determined using the log-rank test.
IDM, inverse difference moment
47
III. Conclusion
a. Valeur pronostique des paramètres de Haralick sur IRM en
oncologie
Cette étude est la première, à notre connaissance, à avoir exploré et mis en évidence
la valeur pronostique des caractéristiques de textures de Haralick sur la récidive
biochimique après radiothérapie des cancers prostatiques. Nous avons également pu
retrouver une corrélation entre certains de ces paramètres avec le score
histopronostique de Gleason.
La valeur pronostique des paramètres de Haralick sur IRM a été étudiée dans plusieurs
autres localisations de cancers à savoir le lymphome (38), le sarcome (34), les cancers
du sein (36,39,40), du col de l’utérus (35), du nasopharynx (41) et du cerveau (33,37).
Toutes ces publications ont montré l’intérêt pronostique de ces paramètres soit sur la
réponse à un traitement, soit sur la survie. Le Tableau 2 résume les principaux points
de la méthodologie de ces publications, incluant notre travail.
48
Etude
Nombre de
prospective
patients
Oui
19
Type de cancer
Harrison et al.
(38)
Type de textures
Histogramme ; Gradients ; Matrices
Lymphome non-Hodgkinien
GLCM/RLM ; Modèle auto-régressif ; Onde
Ahmed et al.
Teruel et al.
(39)
(36)
Torheim et al.
(35)
Brynolfsson et al.
(32)
Michoux et al.
(40)
Vallières et al.
(34)
Cancer du sein
Non
100
Matrice GLCM
Cancer du sein
Non
58
Matrice GLCM
Cancer du col de l’utérus
Non
81
Matrice GLCM
Gliome cérébral
Non
23
Matrice GLCM
Cancer du sein
Non
69
Matrices GLCM/RLM
Non
51
Matrices GLCM/RLM/GLSZM/NGTDM
Glioblastome cérébral
Non
40
Matrices GLCM/RLM/GLSZM
Glioblastome cérébral
Non
82
Sarcomes des tissus mous des
extrémités
Upadhaya et al.
Yang et al.
(33)
(37)
SFTA ; Histogramme ; Gradients ; Matr
GLCM/RLM
Liu et al.
(41)
Matrices GLCM/GLGCM/GLSZM ; Ondelet
Cancer nasopharyngé
Oui
53
Gabor
Gnep et al.
Cancer de la prostate
Non
83
Matrice GLCM ; Gradients
Tableau 2 : Résumé des principales études étudiant la valeur pronostique d’une analyse de texture sur IRM en oncolog
présentés dans le tableau car ce sont des modèles prédictifs multi-paramétriques incluant un nombre important de cara
à restituer ici.
GLCM, Grey level co-occurrence matrix ; RLM, Run length matrix ; GLSZM, Grey level size zone matrix ; NGTDM, Neig
GLGCM, Grey level gradient co-occurrence matrix ; TEP, Tomographie par émission de positons ; T1-w, T1 weighted ;
contrast enhanced ; ADC, Apparent diffusion coefficient ; DWI, Diffusion-weighted ; RT, Radiothérapie ; CT, Chimiothér
b. Intégration des facteurs pronostiques
biologiques
et de
radiomique dans des modèles prédictifs globaux
Les biomarqueurs extraits de l’imagerie, ou radiomiques, représentent une partie des
possibles nouveaux facteurs pronostiques qui sont actuellement étudiés. L’étude des
autres « omiques » (génomique, épigénomique, transcriptomique, protéomique, etc)
est au moins aussi pertinente quant à la recherche de nouveaux facteurs pronostiques
dans les cancers prostatiques. Tout particulièrement, la génomique des cancers
prostatiques étudie les altérations des gènes des cellules tumorales soit à types de
mutation, de remaniements chromosomiques ou d’amplification/délétion. Il est
intéressant de noter que plus le score de Gleason est élevé, plus le nombre d’altération
génomique est important (76). Récemment, le réseau TCGA (The Cancer Genome
Atlas Network) a présenté une analyse moléculaire de 333 cancers de prostate et a
réussi à regrouper 74% des tumeurs en sept grandes familles en fonction de leurs
altérations génomiques et ceci indépendamment du score de Gleason, du stade T et
du taux de PSA (77). Ainsi, la capacité prédictive d’une classification biologique
pourrait être supérieure à celle de la classification anatomo-clinique habituellement
utilisée, comme cela a été suggérée sur une étude rétrospective récente (78).
Cependant, il existe des limites à cette approche à savoir les problèmes de
l’hétérogénéité et de la multifocalité tumorale, de la représentativité des prélèvements
(biopsie versus prostatectomie) ou de l’hypoxie du matériel tumoral.
51
Néanmoins, il reste certain qu’il est nécessaire de poursuivre l’analyse, entre autres,
des données de radiomique et de génomique tumorale pour arriver à des modèles
prédictifs performants. Associer des caractéristiques tumorales d’imagerie, de biologie
et de clinique parait être la voie à suivre pour réussir à mieux analyser les tumeurs des
patients atteints de cancers prostatiques. Le but final est d’adapter les thérapeutiques
en fonction de ces modèles prédictifs, aboutissant à une médecine toujours plus
personnalisée (Figure 5).
FIGURE 5 : Schéma représentant l’intégration des données d’imagerie et de biologie
dans la création de modèles pronostiques et prédictifs.
52
IV.
Valorisation médico-scientifique
Ce travail de thèse :
- est basé sur un article qui a été soumis le 28/02/16 à la revue Journal of Magnetic
Resonance Imaging (impact factor 2014-2015 : 3,21) ;
- sera présenté en communication orale et affichée (« poster discussion/viewing
ème
session » avec une nomination pour le «ESTRO Best Poster Award » ) au 35
congrès de l’ESTRO (European Society for Radiotherapy and Oncology) en avril
2016 ;
- a été présenté au 26ème congrès de la SFRO en octobre 2015 (Société Francaise
de Radiothérapie Oncologique) (poster) concernant la partie caractérisation tumorale ;
- a été soumis au 27 ème congrès de la SFRO en octobre 2016 (partie prédiction de la
récidive).
53
V. References
1. Cancer Incidence and Mortality Worldwide: IARC CancerBase No. 11
[http://www.globocan.iarc.fr/]
2. Les données - Institut National Du cancer [http://lesdonnees.e-cancer.fr/les-fichesde-synthese/29-incidence-mortalite/38-ensemble-des-cancers/28-incidence-francecancers.html]
3. D’Amico AV, Whittington R, Malkowicz S, et al: Biochemical outcome after radical
prostatectomy, external beam radiation therapy, or interstitial radiation therapy for
clinically localized prostate cancer. JAMA 1998; 280:969–74.
4. Thomsen FB, Brasso K, Klotz LH, Røder MA, Berg KD, Iversen P: Active
surveillance for clinically localized prostate cancer–A systematic review. J Surg Oncol
2014; 109:830–5.
5. Zumsteg ZS, Spratt DE, Pei I, et al.: A New Risk Classification System for
Therapeutic Decision Making with Intermediate-risk Prostate Cancer Patients
Undergoing Dose-escalated External-beam Radiation Therapy. Eur Urol 2013;
64:895–902.
6. Dillenseger J-P, Moerschel E: Guide Des Technologies de L’imagerie Médicale et
de La Radiothérapie. Elsevier-Masson.; 2009.
7. Evangelista L, Briganti A, Fanti S, et al.: New Clinical Indications for 18F/11Ccholine, New Tracers for Positron Emission Tomography and a Promising Hybrid
Device for Prostate Cancer Staging: A Systematic Review of the Literature. Eur Urol .
8. Latorzeff I, Mazurier J, Boutry C, Dudouet P, Richaud P, de Crevoisier R: Benefit
of intensity modulated and image-guided radiotherapy in prostate cancer. Cancer
Radiothérapie J Société Fr Radiothérapie Oncol 2010; 14:479–87.
9. Palma D, Vollans E, James K, et al.: Volumetric Modulated Arc Therapy for
Delivery of Prostate Radiotherapy: Comparison With Intensity-Modulated
Radiotherapy and Three-Dimensional Conformal Radiotherapy. Int J Radiat Oncol
2008; 72:996–1001.
10. Fang P, Mick R, Deville C, et al.: A case-matched study of toxicity outcomes after
proton therapy and intensity-modulated radiation therapy for prostate cancer. Cancer
2015; 121:1118–27.
11. Feuvret L, Calugaru V, Ferrand R: Hadronthérapie : quelle place et quelles
perspectives en 2015 ? Cancer/Radiothérapie 2015; 19:519–25.
12. Artignan X, Rastkhah M, Balosso J, Fourneret P, Gilliot O, Bolla M: Quantification
des mouvements prostatiques lors de l’irradiation prostatique. Cancer/Radiothérapie
2006; 10:381–7.
54
13. Heemsbergen WD, Hoogeman MS, Witte MG, Peeters STH, Incrocci L,
Lebesque JV: Increased Risk of Biochemical and Clinical Failure for Prostate
Patients with a Large Rectum at Radiotherapy Planning: Results from the Dutch Trial
of 68 GY Versus 78 Gy. Int J Radiat Oncol 2007; 67:1418–24.
14. de Crevoisier R, Tucker SL, Dong L, et al.: Increased risk of biochemical and
local failure in patients with distended rectum on the planning CT for prostate cancer
radiotherapy. Int J Radiat Oncol 2005; 62:965–73.
15. Barentsz JO, Weinreb JC, Verma S, et al.: Synopsis of the PI-RADS v2
guidelines for multiparametric prostate magnetic resonance imaging and
recommendations for use. Eur Urol 2016; 69:41–9.
16. Hamoen EHJ, de Rooij M, Witjes JA, Barentsz JO, Rovers MM: Use of the
Prostate Imaging Reporting and Data System (PI-RADS) for prostate cancer
detection with multiparametric magnetic resonance imaging: a diagnostic metaanalysis. Eur Urol 2015; 67:1112–21.
17. Chen RC, Rumble RB, Loblaw DA, et al.: Active Surveillance for the Management
of Localized Prostate Cancer (Cancer Care Ontario Guideline): American Society of
Clinical Oncology Clinical Practice Guideline Endorsement. J Clin Oncol
2016:JCO657759.
18. Sander L, Langkilde NC, Holmberg M, Carl J: MRI target delineation may reduce
long-term toxicity after prostate radiotherapy. Acta Oncol 2014; 53:809–14.
19. Chang JH, Lim Joon D, Nguyen BT, et al.: MRI scans significantly change target
coverage decisions in radical radiotherapy for prostate cancer. J Med Imaging Radiat
Oncol 2014; 58:237–43.
20. Steenbergen P, Haustermans K, Lerut E, et al.: Prostate tumor delineation using
multiparametric magnetic resonance imaging: Inter-observer variability and pathology
validation. Radiother Oncol 2015; 115:186–90.
21. Niaf E, Rouvière O, Mège-Lechevallier F, Bratan F, Lartizien C: Computer-aided
diagnosis of prostate cancer in the peripheral zone using multiparametric MRI. Phys
Med Biol 2012; 57:3833.
22. Gnep K, Gutiérrez-Carvajal R, Fargeas A, et al.: Méthode de segmentation
automatique des cancers prostatiques à partir d’une IRM multiparamétrique.
Cancer/Radiothérapie 2015; 19:644–5. [26e Congrès National de La Société
Française de Radiothérapie Oncologique SFRO)]
23. Vos EK, Litjens GJS, Kobus T, et al.: Assessment of prostate cancer
aggressiveness using dynamic contrast-enhanced magnetic resonance imaging at 3
T. Eur Urol 2013; 64:448–55.
24. Peng Y, Jiang Y, Antic T, Giger ML, Eggener SE, Oto A: Validation of quantitative
analysis of multiparametric prostate MR images for prostate cancer detection and
aggressiveness assessment: a cross-imager study. Radiology 2014; 271:461–71.
55
25. Wang L, Mazaheri Y, Zhang J, Ishill NM, Kuroiwa K, Hricak H: Assessment of
biologic aggressiveness of prostate cancer: correlation of MR signal intensity with
Gleason grade after radical prostatectomy. Radiology 2008; 246:168–76.
26. Haralick RM, Shanmugam K, Dinstein I: Textural features for image classification.
IEEE Trans Syst Man Cybern 1973; SMC-3:610–21.
27. Kourou K, Exarchos TP, Exarchos KP, Karamouzis MV, Fotiadis DI: Machine
learning applications in cancer prognosis and prediction. Comput Struct Biotechnol J
2014; 13:8–17.
28. Niaf E, Rouvière O, Mège-Lechevallier F, Bratan F, Lartizien C: Computer-aided
diagnosis of prostate cancer in the peripheral zone using multiparametric MRI. Phys
Med Biol 2012; 57:3833.
29. Lv D, Guo X, Wang X, Zhang J, Fang J: Computerized characterization of
prostate cancer by fractal analysis in MR images. J Magn Reson Imaging 2009;
30:161–8.
30. Wibmer A, Hricak H, Gondo T, et al.: Haralick texture analysis of prostate MRI:
utility for differentiating non-cancerous prostate from prostate cancer and
differentiating prostate cancers with different Gleason scores. Eur Radiol 2015:1–11.
31. Vignati A, Mazzetti S, Giannini V, et al.: Texture features on T2-weighted
magnetic resonance imaging: new potential biomarkers for prostate cancer
aggressiveness. Phys Med Biol 2015; 60:2685.
32. Brynolfsson P, Nilsson D, Henriksson R, et al.: ADC texture—An imaging
biomarker for high-grade glioma? Med Phys 2014; 41:101903.
33. Upadhaya T, Morvan Y, Stindel E, Le Reste P-J, Hatt M: A framework for
multimodal imaging-based prognostic model building: Preliminary study on
multimodal MRI in Glioblastoma Multiforme. IRBM 2015; 36:345–50.
34. Vallieres M, Freeman CR, Skamene SR, Naqa IE: A radiomics model from joint
FDG-PET and MRI texture features for the prediction of lung metastases in softtissue sarcomas of the extremities. Phys Med Biol 2015; 60:5471.
35. Torheim T, Malinen E, Kvaal K, et al.: Classification of Dynamic Contrast
Enhanced MR Images of Cervical Cancers Using Texture Analysis and Support
Vector Machines. IEEE Trans Med Imaging 2014; 33:1648–56.
36. Teruel JR, Heldahl MG, Goa PE, et al.: Dynamic contrast-enhanced MRI texture
analysis for pretreatment prediction of clinical and pathological response to
neoadjuvant chemotherapy in patients with locally advanced breast cancer. NMR
Biomed 2014; 27:887–96.
37. Yang D, Rao G, Martinez J, Veeraraghavan A, Rao A: Evaluation of tumorderived MRI-texture features for discrimination of molecular subtypes and prediction
of 12-month survival status in glioblastoma. Med Phys 2015; 42:6725–35.
56
38. Harrison LC, Luukkaala T, Pertovaara H, et al.: Non-Hodgkin lymphoma
response evaluation with MRI texture classification. J Exp Clin Cancer Res 2009;
28:1.
39. Ahmed A, Gibbs P, Pickles M, Turnbull L: Texture analysis in assessment and
prediction of chemotherapy response in breast cancer. J Magn Reson Imaging 2013;
38:89–101.
40. Michoux N, Van den Broeck S, Lacoste L, et al.: Texture analysis on MR images
helps predicting non-response to NAC in breast cancer. BMC Cancer 2015; 15:574.
41. Liu J, Mao Y, Li Z, et al.: Use of texture analysis based on contrast-enhanced
MRI to predict treatment response to chemoradiotherapy in nasopharyngeal
carcinoma. J Magn Reson Imaging 2016:n/a – n/a.
42. Cahlon O, Zelefsky MJ, Shippy A, et al.: Ultra-High Dose (86.4 Gy) IMRT for
Localized Prostate Cancer: Toxicity and Biochemical Outcomes. Int J Radiat Oncol
2008; 71:330–7.
43. Lambin P, Rios-Velazquez E, Leijenaar R, et al.: Radiomics: Extracting more
information from medical images using advanced feature analysis. Eur J Cancer
2012; 48:441–6.
44. Barentsz JO, Weinreb JC, Verma S, et al.: Synopsis of the PI-RADS v2
guidelines for multiparametric prostate magnetic resonance imaging and
recommendations for use. Eur Urol 2016; 69:41–9.
45. Nguyen PL, Whittington R, Koo S, et al.: Quantifying the impact of seminal
vesicle invasion identified using endorectal magnetic resonance imaging on PSA
outcome after radiation therapy for patients with clinically localized prostate cancer.
Int J Radiat Oncol 2004; 59:400–5.
46. McKenna DA, Coakley FV, Westphalen AC, et al.: Prostate cancer: role of pretreatment MR in predicting outcome after external-beam radiation therapy-initial
experience. Radiology 2008; 247:141–6.
47. Joseph T, McKenna DA, Westphalen AC, et al.: Pretreatment endorectal
magnetic resonance imaging and magnetic resonance spectroscopic imaging
features of prostate cancer as predictors of response to external beam radiotherapy.
Int J Radiat Oncol 2009; 73:665–71.
48. Riaz N, Afaq A, Akin O, et al.: Pretreatment endorectal coil magnetic resonance
imaging findings predict biochemical tumor control in prostate cancer patients treated
with combination brachytherapy and external-beam radiotherapy. Int J Radiat Oncol
2012; 84:707–11.
49. Ganeshan B, Goh V, Mandeville HC, Ng QS, Hoskin PJ, Miles KA: Non-small cell
lung cancer: histopathologic correlates for texture parameters at CT. Radiology 2013;
266:326–36.
50. Viswanath SE, Bloch NB, Chappelow JC, et al.: Central gland and peripheral
zone prostate tumors have significantly different quantitative imaging signatures on 3
57
Tesla endorectal, in vivo T2-weighted magnetic resonance imagery. J Magn Reson
Imaging 2012; 36:213–24.
51. Duda D, Kretowski M, Mathieu R, Crevoisier R de, Bezy-Wendling J: Multi-image
texture analysis in classification of prostatic tissues from MRI. Preliminary results. In
Inf Technol Biomed Vol 3. Edited by Piętka E, Kawa J, Wieclawek W. Springer
International Publishing; 2014:139–50. [Advances in Intelligent Systems and
Computing, vol. 283]
52. Abramowitz MC, Li T, Buyyounouski MK, et al.: The Phoenix definition of
biochemical failure predicts for overall survival in patients with prostate cancer.
Cancer 2008; 112:55–60.
53. Itatani R, Namimoto T, Yoshimura A, et al.: Clinical utility of the normalized
apparent diffusion coefficient for preoperative evaluation of the aggressiveness of
prostate cancer. Jpn J Radiol 2014; 32:685–91.
54. Delgado-Gonzalo R, Thevenaz P, Seelamantula CS, Unser M: Snakes with an
ellipse-reproducing property. IEEE Trans Image Process 2012; 21:1258–71.
55. Breiman L: Random forests. Mach Learn 2001; 45:5–32.
56. Ishwaran H, Kogalur UB, Blackstone EH, Lauer MS: Random survival forests.
Ann Appl Stat 2008; 2:841–60.
57. Datema FR, Moya A, Krause P, et al.: Novel head and neck cancer survival
analysis approach: Random survival forests versus cox proportional hazards
regression. Head Neck 2012; 34:50–8.
58. Harrell FE, Lee KL, Mark DB: Multivariable prognostic models: issues in
developing models, evaluating assumptions and adequacy, and measuring and
reducing errors. Stat Med 1996; 15:361–87.
59. Lerski RA, Straughan K, Schad LR, Boyce D, Blüml S, Zuna I: MR image texture
analysis--an approach to tissue characterization. Magn Reson Imaging 1993;
11:873–87.
60. Tsai F, Chang C-K, Rau J-Y, Lin T-H, Liu G-R: 3D computation of gray level cooccurrence in hyperspectral image cubes. In Energy Minimization Methods Comput
Vis Pattern Recognit. Edited by Yuille AL, Zhu S-C, Cremers D, Wang Y. Springer
Berlin Heidelberg; 2007:429–40. [Lecture Notes in Computer Science, vol. 4679]
61. Hatt M, Majdoub M, Vallières M, et al.: 18F-FDG PET uptake characterization
through texture analysis: investigating the complementary nature of heterogeneity
and functional tumor volume in a multi–cancer site patient cohort. J Nucl Med 2015;
56:38–44.
62. D’Amico AV, Chen M-H, Renshaw AA, Loffredo B, Kantoff PW: Risk of prostate
cancer recurrence in men treated with radiation alone or in conjunction with
combined or less than combined androgen suppression therapy. J Clin Oncol 2008;
26:2979–83.
58
63. Rosenkrantz AB, Kopec M, Kong X, et al.: Prostate cancer vs. post-biopsy
hemorrhage: Diagnosis with T2- and diffusion-weighted imaging. J Magn Reson
Imaging 2010; 31:1387–94.
64. Giannini V, Vignati A, Mirasole S, et al.: MR-T2-weighted signal intensity: a new
imaging biomarker of prostate cancer aggressiveness. Comput Methods Biomech
Biomed Eng Imaging Vis 2014; 0:1–5.
65. Vargas HA, Akin O, Franiel T, et al.: Diffusion-weighted endorectal MR imaging at
3 T for prostate cancer: tumor detection and assessment of aggressiveness.
Radiology 2011; 259:775–84.
66. Turkbey B, Shah VP, Pang Y, et al.: Is apparent diffusion coefficient associated
with clinical risk scores for prostate cancers that are visible on 3-T MR images?
Radiology 2011; 258:488–95.
67. Oto A, Yang C, Kayhan A, et al.: Diffusion-weighted and dynamic contrastenhanced MRI of prostate cancer: correlation of quantitative MR parameters with
gleason score and tumor angiogenesis. Am J Roentgenol 2011; 197:1382–90.
68. Hambrock T, Somford DM, Huisman HJ, et al.: Relationship between apparent
diffusion coefficients at 3.0-T MR imaging and Gleason grade in peripheral zone
prostate cancer. Radiology 2011; 259:453–61.
69. Peng Y, Jiang Y, Yang C, et al.: Quantitative analysis of multiparametric prostate
MR images: differentiation between prostate cancer and normal tissue and
correlation with Gleason score - a computer-aided diagnosis development study.
Radiology 2013; 267:787–96.
70. Caster JM, Falchook AD, Hendrix LH, Chen RC: Risk of pathologic upgrading or
locally advanced disease in early prostate cancer patients based on biopsy Gleason
score and PSA: a population-based study of modern patients. Int J Radiat Oncol
2015; 92:244–51.
71. Herlidou-Même S, Constans JM, Carsin B, et al.: MRI texture analysis on texture
test objects, normal brain and intracranial tumors. Magn Reson Imaging 2003;
21:989–93.
72. Mayerhoefer ME, Breitenseher MJ, Kramer J, Aigner N, Hofmann S, Materka A:
Texture analysis for tissue discrimination on T1-weighted MR images of the knee
joint in a multicenter study: Transferability of texture features and comparison of
feature selection methods and classifiers. J Magn Reson Imaging 2005; 22:674–80.
73. Mayerhoefer ME, Szomolanyi P, Jirak D, Materka A, Trattnig S: Effects of MRI
acquisition parameter variations and protocol heterogeneity on the results of texture
analysis and pattern discrimination: An application-oriented study. Med Phys 2009;
36:1236–43.
74. Rischke HC, Nestle U, Fechter T, et al.: 3 Tesla multiparametric MRI for GTVdefinition of dominant intraprostatic lesions in patients with prostate cancer – an
interobserver variability study. Radiat Oncol 2013; 8:1.
59
75. Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR: A simulation study of
the number of events per variable in logistic regression analysis. J Clin Epidemiol
1996; 49:1373–9.
76. Rubin MA, Girelli G, Demichelis F: Genomic Correlates to the Newly Proposed
Grading Prognostic Groups for Prostate Cancer. Eur Urol 2016; 69:557–60.
77. Abeshouse A, Ahn J, Akbani R, et al.: The Molecular Taxonomy of Primary
Prostate Cancer. Cell 2015; 163:1011–25.
78. Lalonde E, Ishkanian AS, Sykes J, et al.: Tumour genomic and
microenvironmental heterogeneity for integrated prediction of 5-year biochemical
recurrence of prostate cancer: a retrospective cohort study. Lancet Oncol 2014;
15:1521–32.
60
U.F.R. DE MEDECINE DE RENNES
N°
GNEP, Khémara - Impact pronostique de l’IRM sur la récidive biologique après
radiothérapie de cancers prostatiques
60 feuilles paginées, 2 illustrations, 2 graphiques, 6 tableaux, 30 cm - Thèse : (Médecine) ;
.
Rennes 1 ; 2011 ; N°
Résumé français
Objectifs : Déterminer la valeur pronostique de caractéristiques IRM incluant les paramètres de texture de
Haralick sur la récidive biochimique après radiothérapie externe de cancers prostatiques.
Matériels et méthodes : Quatre-vingt-trois patients avec un cancer localisé de la prostate ont eu une IRM 3
Tesla avant radiothérapie externe. Après un suivi médian de 47 mois, onze patients ont présenté une récidive
biochimique. La tumeur prostatique a été délinéée sur la séquence pondérée en T2 (T2-w) et les contours ont
été propagés sur la cartographie du coefficient apparent de diffusion (ADC) précédemment recalée. Un total
de 140 paramètres d’imagerie a été extrait sur les images normalisées de T2w et d’ADC, correspondant à des
paramètres de premier ordre (n = 6), basés sur des gradients (n = 4) et de second ordre (n = 130). Quatre
paramètres géométriques (diamètre tumoral, périmètre tumoral, aire tumorale et volume tumoral) ont
également été calculés. Une recherche de corrélations (test non-paramétrique de Spearman) entre le score de
Gleason et les caractéristiques IRM a été effectuée. La valeur pronostique sur la récidive biochimique a été
recherchée à l’aide de la régression de Cox (modèle à risque proportionnel) et d’un modèle de survie basé
sur les forêts aléatoires (random survival forest).
Résultats : Cinq paramètres de Haralick sur T2-w et quatre sur ADC étaient significativement corrélés au
score de Gleason. Trente-deux caractéristiques de Haralick sur T2-w, tout comme les quatre caractéristiques
géométriques étaient significativement prédictives de la récidive biochimique. Les caractéristiques les plus
prédictives étaient les paramètres de Haralick suivant : Difference variance, Contrast, Inverse difference moment
de même que la déviation standard, le volume tumoral et le score de Gleason. Considérant uniquement le
groupe à haut-risque, les caractéristiques de Haralick Constrast, Difference entropy et Inverse Difference moment
étaient les plus prédictives avec le volume tumoral.
Conclusion : Les caractéristiques de Haralick sur IRM pondérée en T2 apparaissent comme de puissants
facteurs prédictifs de la récidive biochimique après radiothérapie prostatique.
Rubrique de classement :
ONCOLOGIE RADIOTHERAPIE
Mots-clés : imagerie par résonance magnétique ; cancer de la prostate ;
radiothérapie ; Imagerie pondérée en T2 ; radiomique; analyse de texture ;
biomarqueurs d’imagerie
Mots-clés anglais MeSH : magnetic resonance imaging ; prostate cancer ; radiotherapy ; T2weighted imaging ; radiomics ; texture analysis ; imaging biomarkers
Président :
JURY :
Assesseurs :
Monsieur Karim Bensalah
Monsieur Renaud de Crevoisier [directeur de thèse]
Monsieur Yves Gandon
Monsieur Romain Mathieu
Monsieur Oscar Acosta
Adresse de l’auteur : 21 rue des Trente, 35000 Rennes

Impact pronostique de l`IRM sur la récidive biochimique après

Transcription

Documents pareils

Télécharger - Prostate Cancer Canada

La Cryothérapie pour le cancer de la prostate

Figure 1. Coupe anatomique de la prostate2 Figure 2

Hôpital Privé La Louvière

Le Cancer de la Prostate État de situation

sur le cancer de la prostate prostate cancer

L`IMM cité 19 fois parmi les meilleurs établissements de France.

Ce n`est pas une grosse affaire !

Hôpital Privé La Louvière - Lille Etudes en cours

Parcours d`Homme - Groupe Urologie Saint