Texture analysis of histopathology slides for the prediction
of EGFR gene mutation

Τουρνή, Μαρία Αμαλία; Tourni, Maria Amalia

dc.contributor.author	Τουρνή, Μαρία Αμαλία	el
dc.contributor.author	Tourni, Maria Amalia	en
dc.date.accessioned	2019-04-12T07:47:30Z
dc.date.available	2019-04-12T07:47:30Z
dc.date.issued	2019-04-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48619
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15843
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Image analysis	en
dc.subject	Deep learning	en
dc.subject	EGFR	en
dc.subject	Lung cancer	en
dc.subject	Pattern recognition	en
dc.subject	Καρκίνος του πνεύμονα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Κατηγοριοποίηση	el
dc.subject	Υπολογιστική βιολογία	el
dc.subject	Φίλτρα χαρακτηριστικών	el
dc.title	Texture analysis of histopathology slides for the prediction of EGFR gene mutation	en
heal.type	bachelorThesis
heal.classification	Bioinformatics	en
heal.classificationURI	http://data.seab.gr/concepts/b50bf44af3b24e597323aa84bd26e06a0650789e
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-09-27
heal.abstract	Το αντικείμενο της διπλωματικής αυτής εργασίας είναι η ανίχνευση της πιθανής επίδρασης μιας σωματικής μετάλλαξης στην οπτική υφή μιας ιστοπαθολογικής εικόνας όγκου του καρκίνου του πνεύμονα. Συγκεκριμένα, εξετάζουμε τη μετάλλαξη του γονιδίου EGFR στην περίπτωση του αδενο- καρκινώματος, με τη χρήση των σύγχρονων υπολογιστικών μεθόδων αναγνώρισης εικόνας. Το αδενο- καρκίνωμα αποτελεί περίπου το 40% των περιπτώσεων καρκίνου του πνεύμονα και κατά τα τελευταία έτη έχουν αναπτυχθεί αρκετές στοχευμένες θεραπείες που σχετίζονται με συγκεκριμένες γονιδιακές μεταλλάξεις, όπως είναι του γονιδίου EGFR. Η σύνδεση μεταξύ μιας μετάλλαξης και της αντίστοιχης ιστοπαθολογίκής εικόνας μπορεί να οδηγήσει σε πολύτιμα συμπεράσματα που εν δυνάμει μπορούν να οδηγήσουν σε ταχύτερη και ακριβέστερη διάγνωση. Στην αρχή, το πρόβλημα αναλύεται από βιολογική και υπολογιστική πλευρά, προκειμένου να προσδιοριστεί η καλύτερη δυνατή προσέγγιση. Ακολούθως, αναπτύσσονται δύο διαφορετικές υπολο- γιστικές μέθοδοι με σκοπό την ανίχνευση χαρακτηριστικών στις ιστολογικές εικόνες ασθενών που χαρακτηρίζονται από σωματική μετάλλαξη στο EGFR. Η πρώτη προσέγγιση γίνεται με τη χρήση ενός βαθέος νευρωνικού δικτύου για αναγνώριση εικόνων και επιτυγχάνει ένα αρκετά καλό ποσοστό ταξινόμησης. Ωστόσο, απαιτείται περαιτέρω ανάλυση για την κατανόηση των παραγόμενων χαρα- κτηριστικών, κάτι το οποίο δε μπορεί να γίνει μέσω του νευρωνικού, και επομένως εφαρμόζεται η χρήση ψηφιακών φίλτρων για τη μελέτη υφής των εικόνων. Η μέθοδος αυτή επιτυγχάνει ένα ακόμα καλύτερο ποσοστό επιτυχίας, το οποίο δηλώνει την ύπαρξη μορφολογικής διαφοροποίησης του ιστού στην περίπτωση μετάλλαξης στο γονίδιο EGFR. Ταυτοχρόνως, εξετάζονται οι υποτύποι αδενοκαρκινώματος, που αποτυπώνουν μοτίβα από χαρα- κτηριστικά έκφρασης γονιδίων, ως προς τη διαφοροποίηση της υφής στις αντίστοιχες διαφάνειες ιστών. Αυτό γίνεται στη προσπάθεια διάκρισης των χαρακτηριστικών που ανιχνεύονται μεταξύ ενός συγκεκριμένου υποτύπου, του TRU, ο οποίος έχει αποδειχθεί ότι συνδέεται με τις μεταλλάξεις στο EGFR, και τα χαρακτηριστικά της υφής που σχετίζονται με τη μετάλλαξη του EGFR. Τέλος, παρουσιάζονται λεπτομερώς τα παραπάνω αποτελέσματα, συγκλίνοντας στην ύπαρξη μιας σαφούς σχέσης μεταξύ της σωματικής μετάλλαξης του γονιδίου EGFR και της ιστοπαθολογικής αλλοίωσης του αντίστοιχου καρκινικού ιστού.	el
heal.abstract	This thesis studies the effect that a somatic mutation has on the texture format of a tumor histopathol- ogy slide. We examine specifically the case of the EGFR mutation on Adenocarcinoma Lung Cancer type, with use of the latest computational methods. Adenocarcinoma Lung Cancer accounts for about 40% of all lung cancers and during the latest years, many targeted therapies related to specific gene mutations, such as the EGFR gene, have been developed. The link between the mutation and the histopathology slide can lead to faster, more accurate diagnosis as well as valuable pattern detection. The problem is firstly addressed and analyzed both biologically and computationally, to deter- mine the best possible approach. Following this, two different computational methods are developed with the purpose of detecting texture feature within tissue slides characterized by an EGFR mutation. The first method used is Convolutional Neural Networks for image recognition and achieves a good classification rate. Further analysis for the origin of the produced features is needed though, and there- fore, the second method of Digital Image Texture Analysis is applied. That achieves an even better success rate, which strongly implies the existence of texture features connected to the EGFR mutation. At the same time, LUAD gene expression subtypes, are also explored in terms of texture dif- ferences on their corresponding tissue slides. This is performed mainly to distinguish the features detected between a specific subtype, TRU, which is enriched with EGFR mutation, and EGFR muta- tion related texture features. Finally, a thorough presentation of the above results is made, which all conclude that there is a distinct connection between the presence of an EGFR somatic mutation and its effects on the texture appearance of the tissue slide.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	en
heal.committeeMemberName	Αλεξόπουλος, Λεωνίδας	en
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.
heal.fullTextAvailability	true