1,720,968 research outputs found
Stacked sparse autoencoder networks and statistical shape models for automatic staging of distal femur trochlear dysplasia
No full textBackground: The quantitative morphological analysis of the trochlear region in the distal femur and the precise staging of the potential dysplastic condition constitute a key point for the use of personalized treatment options for the patella-femoral joint. In this paper, we integrated statistical shape models (SSM), able to represent the individual morphology of the trochlea by means of a set of parameters and stacked sparse autoencoder (SSPA) networks, which exploit the parameters to discriminate among different levels of abnormalities. Methods: Two datasets of distal femur reconstructions were obtained from CT scans, including pathologic and physiologic shapes. Both of them were processed to compute SSM of healthy and dysplastic trochlear regions. The parameters obtained by the 3D-3D reconstruction of a femur shape were fed into a trained SSPA classifier to automatically establish the membership to one of three clinical conditions, namely, healthy, mild dysplasia, and severe dysplasia of the trochlea. The validation was performed on a subset of the shapes not used in the construction of the SSM, by verifying the occurrence of a correct classification. Results: A major finding of the work is that SSM are able to represent anomalies of the trochlear geometry by means of specific eigenmodes of variation and to model the interplay between morphologic features related to dysplasia. Exploiting the patient-specific morphing parameters of SSM, computed by means of a 3D-3D reconstruction, SSPA is demonstrated to outperform traditional discriminant analysis in classifying healthy, mild, and severe trochlear dysplasia providing 99%, 97%, and 98% accuracy for each of the three classes, respectively (discriminant analysis accuracy: 85%, 89%, and 77%). Conclusions: From a clinical point of view, this paper contributes to support the increasing role of SSM, integrated with deep learning techniques, in diagnostics and therapy definition as quantitative and advanced visualization tools
Model-supported radiotherapy personalization: In silico Test of Hyper- and Hypo-Fractionation Effects
Get PDFThe need for radiotherapy personalization is now widely recognized, however, it would require considerations not only on the probability of control and survival of the tumor, but also on the possible toxic effects, on the quality of the expected life and the economic efficiency of the treatment. In this paper, we propose a simulation tool that can be integrated into a decision support system that allows selection of the most suitable irradiation regimen. We used a macroscale mathematical model, which includes active and necrotic tumor dynamics and the role of oxygenation to simulate the effects of different hypo-/hyper-fractional regimens using retrospective data of seven virtual patients from as many cervical cancer patients used for its training in a previous study. The results confirmed the heterogeneous response across the patients as a function of treatment regimen and suggested the tumor growth rate as a main factor in the final tumor regression. In addition to the maximum regression, another criterion was suggested to select the most suitable regimen (minimum number of fractions to achieve a regression of 80%) minimizing the toxicity and maximizing the cost-effectiveness ratio. Despite the lack of direct validation, the simulation results are in agreement with the literature findings that suggest the need for hypo-fractionated regimens in case of aggressive tumor phenotypes. Finally, the paper suggests a possible exploitation of the model within a tool to support clinical decisions
EP-1718: Estimation of tumor radio-sensitivity using mathematical models and analysis of the oxygenation role
No full textPredicting the evolution of cervical cancer during the treatment using ODE models and validation by mean of CBCT images
Get PDFLAUREA MAGISTRALENella lotta contro il cancro, la radioterapia rappresenta un trattamento localizzato altamente efficace, nel quale la guida per immagini (Image Guided RadioTherapy, IGRT) svolge un ruolo fondamentale. Le immagini con qualità diagnostica sono acquisite giornalmente, allo scopo di appurare la presenza di cambiamenti anatomici e valutare la necessità di una riorganizzazione del trattamento del paziente. Inoltre, l’imaging funzionale per la visualizzazione delle caratteristiche tumorali (ad esempio consumo di glucosio, ipossia, ripopolamento) è applicato, non solo per l’iniziale staging tumorale, ma anche a intervalli di tempo definiti durante il trattamento frazionato. Nonostante l’avanzamento nel riconoscimento dei meccanismi fisici e biologici legati alla radioterapia, la predizione tempestiva della risposta del tumore e degli effetti tossici rimane difficoltosa da raggiungere, in particolare a livello del singolo paziente. Negli ultimi 10 anni, si è tentato di applicare modelli alla predizione di questi eventi sui singoli casi di trattamento, tuttavia l’introduzione di approcci computazionali nella pratica clinica è stata impedita dalla mancanza di validazioni convincenti.
Per quanto riguarda la predizione dello sviluppo tumorale e degli effetti delle terapie, molti sforzi sono stati compiuti per rinforzare le potenzialità cliniche dei modelli in silico attraverso la loro traslazione nella pratica clinica per l’ottimizzazione e personalizzazione del trattamento. La modellizzazione biologica della risposta tumorale tuttavia ricopre un ruolo molto ridotto nei sistemi commerciali di pianificazione del trattamento, che si limita ai classici modelli di probabilità del controllo tumorale. Questi modelli compiono le loro predizioni attraverso parametri d’ingresso basati su popolazioni. A causa delle dinamiche delle caratteristiche del tumore, questo non è sufficiente a predire lo sviluppo dei tumori sui casi individuali. L’eterogeneità dei tumori, causata dalla differente radio-sensitività delle sottopopolazioni cellulari e dalla variazione di parametri ambientali come l’ossigenazione, impedisce predizioni attendibili paziente specifiche. Questa limitazione può essere superata unicamente considerando sistematicamente sia modelli meccanici dello sviluppo spaziotemporale del tumore che parametri tarati sul singolo individuo. Per raggiungere questo , sono stati sviluppati specifici modelli computazionale, in grado di simulare la crescita spazio temporale della massa tumorale, basati su principi radiobiologici. Modelli di interazioni tra le singole cellule sono stati sviluppati utilizzando i principi dei Cellular Automata e sono stati applicati allo studio di diversi problemi radio-biologici. Sebbene questi modelli possano essere usati per simulare i meccanismi che regolano la risposta alle radiazioni, sono limitati nell’utilizzo clinico dalla difficoltà di includere informazioni morfologiche e funzionali sufficientemente accurate tratte da immagini mediche. Questo porta allo sviluppo di modelli basati su voxel, che conservano alcune delle proprietà dei modelli a singola cellula, ma nei quali si ha il vantaggio di poter utilizzare le informazioni derivanti dall’imaging clinico. Combinando meccanismi a livello cellulare con metodi statistici all’interno di un voxel dalle dimensioni ridotte, si compie un passo verso l’approccio multi-scala. Nonostante alcuni tentativi in questa direzione siano stati approcciati in passato, non sono ancora stati tradotti in pratica clinica.
In questa tesi intendiamo investigare e validare retrospettivamente modelli computazionali sulla risposta tumorale alla radioterapia applicati al cancro della cervice uterina . Dallo IEO (European Institute of Oncology, Milano, Italia)sono stati forniti dati di imaging relativi a 9 pazienti . Per ciascun pazente , il dataset era costituito da uno studio CT (Computed Tomography) insieme a circa 10 studi CBCT (Cone Beam CT), utilizzati come punti di controllo per il training e la valutazione della predizione. Nel dataset dei pazienti sono stati identificati due distinti gruppi. Il primo gruppo includeva 5 pazienti affetti da carcinoma squamocellulare (SC) i quali sono stati trattati unicamente per mezzo di radiazioni. Del secondo gruppo facevano parte 4 pazienti colpiti da adenocarcinoma(AC) che hanno subito sia trattamento radioterapico che chemioterapico.
Sono stati analizzati due differenti approcci modellistici: 1) modello discreto a livello cellulare implementato attraverso la tecnica ei Cellular Automata; 2) modello continuo a livello tissutale che prevede l’utilizzo di ODE. A causa dell’alto costo computazionale, il modello basato sulle interazioni tra cellule è stato spinto solo fino a test e simulazioni preliminari, mentre la validazione estesa è stata focalizzata unicamente sul secondo tipo di approccio. Il modello su scala tissutale utilizzava funzioni Gomperziane o Logistiche per la crescita tumorale mentre sono state considerate tre possibili formulazioni per rappresentare la relazione con la dose: a) classico modello lineare/quadratico; b)esponenziale; c)lineare. L’addestramento del modello è stato implementato utilizzando tecniche evolutive ed è stato ripetuto per le diverse combinazioni delle formulazioni del termine di crescita tumorale e di risposta alla terapia per entrambi i gruppi. La forma del tumore è stata semplificata considerandolo uno sferoide in evolvuzione nel tempo. Il volume e l’area della massa tumorale, ricavata dal dataset delle immagini CBCT (attraverso segmentazione manuale di un esperto e ricostruzione automatizzata della superficie 3D) e predetta dal modello, sono state utilizzate nella funzione di costo per l’ottimizzazione del modello e per la sua validazione. Il tasso di regressione del volume tumorale è stato presentato in letteratura come un importante indicatore di riuscita del controllo locale e predittore della sopravvivenza a lungo termine del paziente.
Gli errori residui relativi a volume ed area predetti per il primo gruppo sono (in valori assoluti RMS) 5.3 cm3 (errore relativo: 27%) and 10.4 cm2 (errore relativo: 24%), rispettivamente. È interessante notare come il modello Gomperziano combinato con quello esponenziale abbia fornito i risultati migliori sia per il volume che per l’area. Valori più bassi sono stati ottenuti per il secondo gruppo, ossia, 4.6 cm3 (errore relativo: 21%) per il volume e 7.1 cm2 (errore relativo: 16%) per l’area. Un’analisi di sensitività è stata svolta studiando la stabilità della predizione di area e volume in risposta alla perturbazione di specifici parametri. Il tasso di crescita naturale del tumore, rappresentato dal primo coefficiente di ciascun modello, è risultato generalmente il più critico, ma in alcuni casi durante il corso del trattamento il peso degli effetti della terapia è risultato essere la maggiore causa di variazione nella predizione. Allo scopo di testare la capacità di estrapolazione del modello è stata utilizzata la tecnica di validazione leave-one-out. Questa consiste nel rimuovere on paziente alla volta dal suo gruppo ed addestrare il modello sui rimanenti. Come ci si aspettava, l’errore di predizione commesso sul paziente lasciato fuori è risultato generalmente maggiore di quello ottenuto mediamente sul resto del gruppo. Interessante notare come per alcuni pazienti rimossi la capacità predittiva sia risultata comparabile, o addirittura migliore, a quella del resto del gruppo. Per esempio nel primo gruppo, considerando i risultati ottenuti per l’area, la media dell’errore è risultata del 25% mentre raggiungeva il 40% per i pazienti di test, e la varianza, molto contenuta tra i primi (0.05) era molto più elevata nei secondi (0.25) Come ci si aspettava, la qualità della predizione sui pazienti non utilizzati per l’addestramento è risultata ridotta dal momento che il modello aveva a disposizione solo pochi esempi, insufficienti per una corretta generalizzazione.
Come prima considerazione, i risultati di predizione ottenuti sono stati promettenti poiché non lontani dal range di incertezza dei dati , qualitativamente intorno al 10% e 20% rispettivamente per area e volume. Per quanto riguarda i modelli, i risultati hanno evidenziato una discrepanza tra il criterio di predizione di area e volume nel secondo gruppo. In dettaglio, mentre la combinazione del modello lineare/quadratico e della funzione Logistica si è rivelata la più performante per quanto riguarda l’area, nel caso del volume il fitting migliore è stato ottenuto con la curva Gomperziana combinata con la risposta al trattamento lineare con la dose. Il diverso comportamento può essere spiegato considerando l’effetto ella chemioterapia sul trattamento complessivo. I farmaci sono trasportati per mezzo dei vasi sanguigni maggiormente presenti sulla superficie esterna della neoplasia, questa caratteristica potrebbe portare ad una particolare rilevanza dei fenomeni che si presentano nello strato cellulare più esterno. Sebbene questi risultati siano preliminari, è possibile supporre che oltre alla tipologia di modello anche il metodo di ottimizzazione e validazione giochino un ruolo importante nella realizzazione di approcci predittivi più complessi.
Vanno evidenziate alcune criticità di questo lavoro. Per prima cosa, abbiamo rappresentato la crescita tumorale e la risposta alla terapia usando modelli continui a livello tissutale, implementati per mezzo di equazioni differenziali (ODE), limitando la rappresentazione ai meccanismi presenti su scala macroscopica. I processi su micro sala, come il ciclo cellulare e le interazioni tra cellule sono stati studiati attraverso l’approccio dei Cellular Automata ma il modello ottenuto non è stato validato. In secondo luogo, nella rappresentazione matematica dell’evoluzione tumorale abbiamo trascurato la spazialità, ma abbiamo fatto riferimento unicamente a grandezze scalari (area e volume) approssimando la massa tumorale ad uno sferoide. Questo ci ha permesso di evitare la registrazione dei vari studi CBCT tra loro, ma ci ha fatto perdere la progressione morfologica del tumore in un sistema di riferimento cartesiano univoco. Terzo, la dimensione limitata del dataset ci ha impedito di ottenere evidenze statistiche significative riguardo il valore dei risultati di predizione e performance del modello. Quarto, l’incertezza sui dati utilizzati per la validazione è stata valutata solo qualitativamente. Questo aspetto è tuttavia fondamentale per qualunque considerazione riguardo i risultati della predizione, una valutazione oggettiva del rumore sui dati sarebbe indispensabile alla valutazione della qualità dei risultati ottenuti. Quinto, nell’addestramento del modello è stata utilizzata la dose nominale somministrata al paziente, tuttavia la dose reale può differire sensibilmente dalla precedente a causa di modificazioni morfologiche del tumore, deformazioni dei tessuti molli e fisiologici, spostamenti degli organi circostanti e altri fenomeni. Per superare questo problema, bisognerebbe sfruttare una registrazione con deformazione per calcolare la dose effettivamente rilasciata nella regione di interesse e comprendere quale sia il volume realmente trattato.
Tuttavia, nonostante questi inconvenienti, il presente lavoro mostra come, anche modelli non complessi e su scala tissutale, possano essere efficaci nel predire l’interazione tra la progressione tumorale e gli effetti della radioterapia. I principali risultati della predizione sono stati essenzialmente coerenti con quanto rintracciabile nella recente letteratura (Huang Z. et al., 2010) dove sono stati riportati errori relativi di circa 25%. In conclusione, pur essendo uno studio preliminare, i risultati ottenuti sono significativi e promettenti per estendere la metodologia, includere rappresentazioni più sofisticate dei processi biologici e delle interazioni dovute al trattamento, e rendere il modello adatto per una validazione più estesa con la conseguente traduzione in pratica clinica.In the fight against cancer, radiotherapy represents a highly effective localized treatment, in which image-guidance (Image Guided RadioTherapy, IGRT) plays a fundamental role. Images featuring diagnostic quality are acquired daily, in order to check the occurrence of anatomical changes, to adjust patient setup and to evaluate the need for treatment re-planning. In addition, functional imaging to visualize tumor characteristics (e.g., glucose consumption, hypoxia, repopulation) is applied, not only for the initial tumor staging, but also at given time intervals during the fractionated course of treatment. Despite advances in recognizing both the physics and radiation biological mechanisms underpinning radiotherapy treatment, early prediction of tumor response and toxicity effects remains difficult to achieve, particularly at the level of the individual patient. Over the last 10 years, attempts have been made to apply models to predict tumor response and toxicity occurrence on a patient specific level However the translation of computational approaches into effective clinical practice has been hindered by lack of convincing validation.
As far as tumor response and therapy outcome prediction are concerned, many efforts have been tackled to reinforce the clinical potentials of in silico models towards their translation into radiotherapy clinical practice, for the optimization and personalization of the treatment. Biological modeling of the tumor response however is still playing only a very limited role in commercial treatment planning system and is restricted to the use of classical tumor control probability models. These models make their predictions using population-based input parameters. Due to the dynamic character of tumor properties, this is not sufficient to predict the development of tumors in the individual case. Tumor heterogeneity caused by the different radio-sensitivities of cell sub-populations, as well as by varying environmental factors such as oxygenation, prevents researchers to get reliable predictions for the individual patient. This situation can only be improved if individual input parameters, as well as mechanistic models on the spatio-temporal development of the tumor, are systematically considered. To achieve this, specific in-silico models have been developed, which simulate the spatio-temporal growth of tumors, based on basic radiobiological principles. Single-cell-based models using the principles of cellular automata have been developed and applied to study a variety of radio-biological problems. Although these models may well be used to simulate the mechanisms underlying radiation response, they are limited with respect to clinical application as the morphological and functional information from medical images are difficult to include. This led to the development of voxel-based tumor-models, which preserve some of the properties of single-cell-based models, but which have the advantage that they can process information from medical images. Combining mechanisms on a cellular level and treating them with statistical sampling method within a voxel-based geometrical patient model provides the first step towards multi-scale models. Although some approaches in developing such models have already been made in the past, they have not been translated into clinical application yet.
In this thesis, we aimed at investigating and retrospectively validating computer based models for tumor response to radiation therapy applied to the cervical cancer, a malignant neoplasm located in the cervix. Imaging data of 9 patients were provided by IEO (European Institute of Oncology, Milan, Italy). For each patient, the dataset was constituted by one planning CT study (Computed Tomography) along with about 10 CBCTs (Cone Beam CT) studies, acquired in correspondence of the irradiation treatment fractions. The CBCTs served as control point for training and prediction evaluation. In the patient dataset, two different groups, who differ for cancer type and therapies, were identified. First group included 5 patients affected by squamous cell carcinoma who were administered with radiation only. Second group included 4 patients affected by adenocarcinoma (AC) who were administered with radiation and chemotherapy.
Two different modeling approaches were studied: 1) cell-based discrete model, implemented through Cellular Automata; 2) tissue-level continuous model, implemented through ODE. Due to high computational burden, the cell-based discrete model underwent just preliminary simulated tests and was disregarded from extensive validation focusing the main work on the tissue-level continuous model. The tissue-level continuous model used Gompertzian or Logistic functions for the tumor growth while three different formulations were considered to represent the relation with the dose: a) classical linear/quadratic model; b) exponential; c) linear. The model training was implemented using an Evolutionary computation approach, it was repeated for different formulation of the tumor growth and therapy response terms, and performed across the two different patient groups. The tumor shape was simplified as a spheroid evolving throughout time. Volume and area of the tumor mass, measured in the CBCT datasets (expert manual segmentation and automatic 3D surface reconstruction) and predicted by the model, were chosen as training cost functions and validation quantities. Tumor volume regression rate has been suggested in literature as an important predictor of local control and long-term survival of the patient.
The residual errors of predicted volume and area for the first groups of patients were (absolute RMS) 5.3 cm3 (relative error: 27%) and 10.4 cm2 (relative error: 24%), respectively. Interestingly, the Gompertzian model combined with the exponential one provided best predictive results in both tumor volume and area. Smaller values were obtained in the second group, namely, 4.6 cm3 (relative error: 21%) for the volume and 7.1 cm2 (relative error: 16%) for the area. A sensitivity analysis was performed by studying the stability of the tumor mass volume-area prediction to the perturbation of specific model parameters. The natural tumor growth rate, represented by the first coefficient of each model, resulted generally the most critical, but in some cases after a while the weight of the therapy effects resulted to be the major cause of the prediction variation. In order to test extrapolation properties of the models, leave-one-out validation was considered. It consisted in removing one patient at a time from its group, and in training the model across the remaining patient datasets. As expected, the prediction error on the one-out patient was generally larger than on the rest of the group. Interestingly, for some patients, the prediction ability was comparable or even better than that of the remaining patient in the group. For example in the first group, considering the area results, the mean was about 25% while it reached 40% on the test, and the variance among the results was less than 0.05 on the first while above 0.25 on the second one. As expected, the quality of the prediction on the untrained patient was much poorer since the model fitted a small amount of data.
As a first consideration, the obtained prediction results were promising as they were in the range of the data uncertainty, qualitatively about 10% and 20% for area and volume, respectively. Noteworthy, such results were basically coherent with recent domain literature (Huang Z. et al. 2010) where relative prediction errors of about 25% were reported. As far as model training and validation is concerned, results highlighted that volume and area prediction criteria conflicted in between for the second group. In detail, while the combination of the Logistic curve and the linear/quadratic model turned out to be the most performing on the area, the volume was better fitted using the Gomperzian model along with the linear model of the radiation response. The different behavior of the two indexes can be motivated by considering the effect of the chemotherapy on the overall treatment. The drugs are indeed delivered by mean of blood vessels that are more densely localized on the outer surface of the tumor and this peculiarity could cause an increase in the relevance of the events occurring to the most superficial layer of cells. While present results are not decisive, this finding reinforces the concept that the representation ability of the model is fundamental as well as the cost function to minimize for model parameter assessment (training). This could play a significant role in elaborating more complex predicting approaches.
A number of issues in this work must be highlighted. First, we represented tumor growth and therapy response, using tissue-level models implemented through continuous equations (ODE), thus limiting the overall process representation to just macro-scale mechanisms. Micro-scale processes at cellular level as for example cell cycle, cell-to-cell interaction, and tumor cell invasion weremodeled using cellular automata but the obtained models were not validated. Second, in the mathematical representation of tumor evolution we neglected the spatial dimension and only scalar validation criteria (area and volume) were adopted, approximating the tumor shape as a spheroid. This allowed to avoid registration across CBCT studies but loosing tumor progression in a common coordinate system. Third, the patient cohort was limited in size and this prevented us from getting any statistical evidence about the value of the prediction results and model performance. Fourth, the uncertainty on the data used for validatio
Mathematical modeling of tumor response to radiation: Radio-sensitivity correlation with BOLD, TOLD, Δr1 and Δr2∗ investigated in large Dunning R3327-AT1 rat prostate tumors
No full textDeep learning-based classification of EEG segments toward epileptic seizure prediction
No full textLAUREA MAGISTRALEL'epilessia è un disturbo neurologico del Sistema Nervoso Centrale che colpisce circa 50 milioni di persone nel mondo e con un'incidenza annua nell'intorno di 5 milioni di nuove diagnosi. Tale malattia è caratterizzata da un ampio spettro di possibili origini, meccanismi di ictogenesi, sintomi e manifestazioni. I soggetti affetti da epilessia trascorrono una vita relativamente normale quando non sono effettivamente colpiti da una crisi, tuttavia, l'incertezza su quando potrebbe verificarsi un attacco epilettico pone per molti dei limiti nella vita di tutti i giorni. Inoltre, alcuni sintomi e alcune manifestazioni potrebbero sfociare in situazioni pericolose e possibilimente dannose per le persone soggette a questa malattia.
Con l'obiettivo principale di migliorare la vita dei pazienti epilettici e grazie ai recenti sviluppi ottenuti sia dal punto di vista delle risorse tecnologiche sia delle conoscenze relative all'epilessia e ad i meccanisci di ictogenesi, negli ultimi anni molti ricercatori hanno promosso studi finalizzati alla realizzazione di un sistema per la predizione delle crisi epilettiche.
La maggior parte di tali ricerche si basa sull'utilizzo di registrazioni elettroencefalografiche (EEG) e sulla detezione all'interno di essi dei tratti corrispondenti ai vari stati dell'epilessia. Infatti, l'EEG registra l'attività elettrica dei neuroni ed esperti nel campo sono in grado di riconoscere, ispezionando ad occhio la traccia registrata, condizioni normali (inter-ictaliche) o di crisi epilettica.
Nella letteratura corrente, gli approcci più tradizionali ricorrono alla selezione ed estrazione di una o più features di interesse dagli EEG e ad algoritmi di classificazione che sulla base di esse possano distinguere le varie fasi ictaliche. Quindi, questi metodi si basano su molteplici ipotesi e richiedono sforzi per la selezione e l'estrazione delle features supposte più significative da differenti aree.
Invece, più recentemente gli sforzi si sono concentrati sull'implementazione di metodologie basate su reti neurali in grado classificare i diversi stati ictalici partendo, però, da segnali EEG grezzi o sottoposti a poche pre-elaborazioni. Le architetture di reti neurali utilizzate includono le reti neurali ricorsive , le reti neurali convoluzionali, le deep belief neural networks e le sparse denoising auto-encoder networks. Le sempre maggiori sicurezze riguardo l'esistenza di markers o features negli EEG pre-ictalici, carattetizzanti la transizione da uno stato normale ad uno patologico, hanno favorito lo sviluppo di approcci che discriminano tra classi inter- o pre-ictaliche.
Lo scopo di questo studio ha riguardato la realizzazione di una rete neurale convoluzionale per la classificazione in stadi pre- e inter-ictalici, considerando come se il primo fosse composto da quattro ulteriori sottoclassi. Questo nel tentativo di dare ai soggetti anche un'informazione relativa al tempo rimanente prima dell'insorgere della crisi. Nel pratico sono state sviluppate tre diverse metodologie di pre-elaborazione dei dati e due tipologie di CNN. La prima AI prodotta era una CNN bidimensionale con immagini 2D in input, la seconda era una CNN 3D con tensori tridimensionali come input. La prima possibile pre-elabborazione dei dati prevedere la proiezione Azimutale del contenuto spettrale dell'EEG su una mappa 2D delle posizioni degli elettrodi sullo scalpo. Questo processo ha portato alla generazione di immagini RGB in cui ciascun canale corrisponde ad una diversa banda di frequenza e che, dunque, preservano informazioni di tipo spettrale e spaziale. In alternativa, la rete 2D è stata alimentata con immagini tempo-frequenza risultanti dal secondo tipo di pre-elaborazione possibile. Quest'ultimo ha coinvolto il calcolo dello spettrogramma per la conversione dei dati in una formato simile ad immagini i.e. matrici. Invece, la CNN 3D è stata addestrata e testata utilizzando volumi in cui sono state mantenute informazioni nel tempo, nelle frequenze e nello spazio. Questi tensori sono stati ottenuti impilando gli spettrogrammi relativi ai diversi 18 canali.
I risultati migliori ottenuti in questo studio derivano dalla rete 3D che ha mostrato performance nettamente più alte rispetto agli altri due approcci tentati. In questo caso, l'architettura risultante dal training con l'ultima classe pre-ictalica, che, probabilmente, ha imparato più informazioni relative all'imminente crisi, ha raggiunto il 99.16% di accuratezza, il 99.44% di recall e il 98.88% di specificità.
Questi risultati sono quelli relativi alla fase di test, ma, nonostante non si sia verificato overfitting, la rete sviluppata non è stata in grado di generalizzare bene su segnali EEG che non erano stati inclusi nei dataset iniziali. L'ipotesi avanzata è che sia l'inter-variabilità sia l'intra-variabilità che caratterizzano l'epilessia possano avere influenzato pesantemente e in modo negativo le capacità di generalizzazione. In effetti, la rete addestrata su un gruppo di soggetti con diverse tipologie di epilessia ha imparato un insieme eterogeneo di features che potrebbe risultare in rumore in applicazioni sul singolo individuo.
Quindi, la metodologia qui proposta è riuscita ad imparare una configurazione di connessioni, pesi e filtri tale da permettere la classificazione dei dati in classi pre- ed inter-ictaliche.
Tuttavia, questo approccio non può essere effettivamente utilizzato a causa delle sue capacità di generalizzazione. I possibili miglioramenti di questo lavoro, ed in generale nel campo della predizione delle crisi epilettiche, necessitano la generazione e l'uso di database che contengano segnali relativi a più pazienti ma con stessa tipoligia di epilessia oppure molteplici registrazioni continue con molte crisi endogene per ciascun paziente.
In conclusione, il principale risultato raggiunto in questo progetto di tesi consiste nella rete 3D implementata che è stata addestrata per distinguere correttamente segnali EEG, opportunamente elaborati, corrispondenti a momenti con differente distanza temporale da una crisi epilettica i.e. pre- ed inter-ictaliche.Epilepsy is a neurological disorder of the Central Nervous System (CNS) accounting for fifty millions people worldwide and with an incidence of five million of newly diagnosed individuals per year. This disease encompasses a broad and heterogeneous set of possible origins, ictogenesis mechanisms, manifestations and symptoms. Ill subjects can lead relatively normal lives when they are not experiencing seizures, however, for many the uncertainty of seizure occurrence intrudes into every aspect of day life. Moreover, symptoms and manifestations appearing during an ictal event may sometimes lead to dangerous and harmful situations.
In order to improve epileptic people lives and thanks to the advancements obtained in both technological resources and knowledge regarding ictogenis mechanisms (and epilepsy in general) in the last years researchers boosted studies aiming at the implementation of a seizure-prediction system.
The most of these researches are based on Electroencephalography (EEG) registrations and on the distinction within them of tracts related to different epileptic stata. Indeed, the EEG is capable to record neurons electrical activity and experienced clinicians are able to use it to discriminate between normal (or inter-ictal) and ictal conditions through visual inspection.
In the literature, the more traditional approaches exploit one or more features selected and extracted from EEGs on purpose and classification algorithms to recognize the various ictal stages. Thus, these methods imply the generation of hypothesis and the selection of those features from several domains which are considered to be the most relevant ones.
Instead, more recently, efforts focused on the development of neural network-based methodologies usually performing the same classification task than before but with the advantage of using directly raw EEGs or signals submitted to few pre-elaborations.
The most used Neural Networks architectures include Recurrent Neural Networks, Convolutional Neural Networks (CNNs), Deep Belief Neural Networks and Denoising Sparse Auto-encoder Networks.
It is common practice to classify EEG segments into inter-ictal and pre-ictal under the assumption that the latters, being by definition closer to seizures in time, may show pathology-specific biomarkers.
This study aimed at the realization of a CNN for the classification of pre-ictal and inter-ictal stages, considering the first one as composed by four smaller classes. This to try to provide the patient also with information about the time before the seizure onset. Although in the used dataset are not reported the recording conditions, this study assumed that the seizures acquired in it were all spontaneous and endogenous.
Actually, three different elaborations of input data and two CNN have been developed and examined. The first Artificial Intelligence (AI) was a bidimensional CNN taking in input 2D images, the second one was a 3D CNN fed by 3D tensors.
The first type of data pre-elaboration regarded the Azimuthal projection (AEP) of the EEG spectral content onto a 2D map of electrode positions over the scalp. This resulted in RGB images where each channel corresponded to a different frequency band and, therefore, they preserved spectral and spatial information. The 2D CNN was alternatively fed by time-frequency images which have been obtained with the second type of pre-elaboration performed. It involved spectrogram computation, and led to data conversion into an image-like format i.e. matrices. Instead, the 3D CNN was trained and tested with volumes maintaining data time, frequency and space information. These were obtained by stacking spectrograms corresponding to the different 18 channels.
The last kind of data together with the 3D CNN provided results much higher than those reached with the other two attempted approaches. In this case the performance of the architecture trained with the last pre-ictal class, which probably learned more information related to the occurrence of the subsequent ictal event, reached an accuracy of 99.16%, a recall of 99.44% and a specificity of 98.88%.
These results were obtained on the test set, but, despite there was no overfitting happening, the implemented network was not able to generalize well when elaborating EEGs not included in the considered dataset. It was hypothesized here as the bad generalization capabilities might be heavily and negatively influenced by the intra- and inter-variability inherent to epilepsy disorder. Training the network with a cohort of patients experiencing different type of the same disease could have resulted in learning lots of uncommon features which in turn constituted noise when working on a single subject.
Hence, the proposed methodology found a configuration of connections, weights and kernels so that it was possible to classify input data as pre- or inter-ictal. Therefore, the seizure prediction task was conducted by discriminating between a normal and a seizure-preceding tracts.
However, it is still far from an actual implementation due to the generalization abilities. Improvements of this work and in general in the field of seizure prediction require the collection and use of datasets holding data from subjects with the same epilepsy condition or where there are a lot of continuous acquisitions with lots of spontaneous seizures for each patient.
In conclusion, the main result obtained in this thesis work regards the developed 3D CNN and its capacity to correctly distinguish between properly elaborated EEG signals corresponding to events at different time delays from an ictal event i.e. pre- and inter-ictal tracts
Mathematical tumor modeling toward a personalized approach in radiation therapy
No full textUn campo di ricerca al tempo stesso complesso e fiorente nel panorama scientifico è la personalizzazione del trattamento in oncologia clinica. Da una parte, l'avanzamento tecnologico insieme alle nuove scoperte sulla biochimica tumorale hanno permesso una significativa riduzione della mortalità percentuale annuale tra il 2003 e il 2012 considerando tutti i siti tumorali. D'altra parte, nonostante l'imponente quantità di possibili opzioni terapeutiche, i trattamenti spesso derivano da linee guida generali e, una volta valutato lo stadio della malattia, la terapia viene somministrata ai pazienti in modo piuttosto uniforme. Eppure, un aspetto critico è proprio che anche pazienti caratterizzati dallo stesso stadio tumorale, possono reagire in modo diverso alle stesse modalità di trattamento, per esempio radiotherapico, a causa di caratteristiche genetiche specifiche o condizioni micro/macro ambientali. In questo contesto clinico sono stati introdotti i modelli matematici, sia per fornire informazioni sui meccanismi biologici che sostengono l'evoluzione del tumore che per prevedere la prognosi del paziente. Il ben noto modello lineare quadratico, che prevede l'effetto di riduzione di una popolazione cellulare a causa dell'irradiazione, è ampiamente utilizzato in clinica per calcolare la probabilità di controllo del tumore. Tuttavia, si è visto come modelli radiobiologici che non incorporano l'eterogeneità della radio-sensibilità e/o la ripopolazione tumorale, non siano in grado descrivere adeguatamente i risultati clinici. Questo implica che una complessa rete di dinamiche interdipendenti sottende la progressione complessiva del tumore. In primo luogo, è stato osservato che mentre una parte del tumore è costituita da cellule vitali, che continuano a riprodursi (clonogeni attivi) o giace in uno stato dormiente (quiescente), un'altra porzione potrebbe essere necrotica a causa della mancanza di nutrienti o degli effetti di trattamento. Inoltre, la disponibilità di nutrienti e ossigeno, citando due fra molti fattori sub-cellulari, influenzano anche l'aggressività del tumore e la risposta al trattamento stesso. Negli ultimi dieci anni sono stati fatti molti tentativi di definire modelli matematici più accurati e affidabili. Tutte le soluzioni sviluppate nel campo della modellazione della crescita tumorale possono essere classificate grossolanamente in due diversi gruppi: modelli macroscopici e multiscala. Da un lato, i modelli macroscopici concentrano la loro attenzione sul tissutale e sono in grado di fornire un quadro ad alto livello dell'evoluzione della patologia. D'altra parte, i modelli multiscala affrontano il problema a diversi livelli di dettaglio permettendo l'interazione tra l'evoluzione complessiva del tumore ed i meccanismi che si verificano a livello genetico e cellulare. I modelli multiscala sono chiaramente più completi e realistici, possono teoricamente simulare qualsiasi tipo di interdipendenze complesse con i soli limiti delle risorse computazionali. Tuttavia, il loro settaggio affidabile e accurato richiede una raccolta multimodale di dati (morfologica/funzionale) che può includere procedure invasive e costose. Nel caso in cui i dati multimodali non siano disponibili, è possibile eseguire un'inizializzazione basata su dati di letteratura e la validazione può essere limitata all'evoluzione volumetrica. Di conseguenza, i vantaggi dell'architettura multiscale nel prevedere la risposta specifica del paziente al trattamento potrebbero essere limitati. In altre parole, il potenziale dei modelli multiscala ad oggi difficilmente può essere supportato da una raccolta dati che permetta di preservare una corrispondente accuratezza. Viceversa, i modelli macroscala, nonostante la blanda approssimazione dei fenomeni complessi che guidano l'evoluzione del tumore, possono fornire informazioni utili sulla progressione complessiva richiedendo uno sforzo ridotto di raccolta dati, fattibile e già spesso eseguito, nella pratica clinica.
Questo lavoro propone diversi modelli macroscopici definiti mediante sistemi di equazioni che descrivono il volume tumorale o la variazione della massa nel tempo. Partendo da sistemi a due dinamiche (porzione vitale e necrotica), vengono introdotti altri meccanismi come l'effetto dell'ossigenazione o la comparsa di edema, secondo l'applicazione specifica. I modelli proposti vengono addestrati e testati su diversi tipi di dati (misure con calibro, immagini US-Doppler, immagini CBCT e MRI) di ratti impiantati con cancro alla prostata e pazienti affette da tumore alla cervice uterina. Abbiamo anche teorizzato una pianificazione del trattamento supportata da modelli, che è descritta di seguito. Un modello tumorale viene costruito per rappresentare l'evoluzione di un tumore solido generico. Viene specializzata impostando alcuni parametri liberi, effettuando l’addestramento su un grande set di dati (evoluzione del volume ecc.) di un tipo specifico di tumore (modello specifico del gruppo). Quando viene diagnosticato un nuovo paziente con lo stesso tipo di tumore, vengono simulate diverse modalità di frazionamento. Il clinico, basandosi sulla sua competenza, le linee guida istituzionali e la simulazione modello, definisce una strategia di trattamento. L'evoluzione del tumore viene monitorata mediante dati morfologici/funzionali longitudinali. I nuovi dati vengono utilizzati per il perfezionamento dei parametri del modello. Le nuove simulazioni vengono eseguite e la strategia di trattamento può essere modificata in modo appropriato.
Nei primi studi abbiamo trascurato la modellizzazione esplicita del ruolo dell'ossigenazione e abbiamo analizzato la capacità di adattamento del sistema a due dinamiche sull'evoluzione tumorale dei ratti portatori di Dunning R3327-AT1 (cancro alla prostata). Tra i 18 ratti inclusi nello studio 9 respiravano ossigeno e 9 inalavano comune aria durante l'irradiazione. Sono state effettuate misure con il calibro dei diametri tumorali per monitorare l'evoluzione del volume e sono state effettuate delle acquisizioni di immagini tramite risonanza magnetica ottenere informazioni riguardanti l’ossigenazione. Nonostante la limitazione di un set di dati ridotto, le misure basate su calibro e la semplificazione nella dinamica del modello, la formulazione proposta era in grado di cogliere l’andamento dei dati entro circa il 25% di errore in 15 ratti su 18. L'analisi di correlazione ha suggerito una relazione tra la sensibilità alla radioterapia e la variazione di un indice MRI per uno dei sottogruppi. Questa ipotesi è stata sostenuta da ulteriori indagini che portano alla constatazione che solo i ratti con un aumento di tale indice durante una oxygen challenge, sembrava beneficiare della somministrazione di ossigeno. Infine, abbiamo mostrato come la radio-sensibilità potrebbe essere valutata a priori usando una rete neurale attraverso informazioni di ossigeno e volume.
Negli studi successivi abbiamo introdotto l'ipotesi che più grande è la porzione cellulare attiva, maggiore è il consumo di ossigeno e minore è la radiosensitività, inoltre abbiamo assunto che il danneggiamento del microambiente a seguito dell’irraggiamento possa influenzare la ricrescita del tumore. In uno di questi studi sono state incluse 7 pazienti affette da cancro alla cervice uterina di cui erano disponibili informazioni sia volumetriche che di vascolarizzazione/flusso grazie a misure basate su ultrsonografia Doppler. L'elevato valore di correlazione (r ~ 0,9) riscontrato tra l'ossigenazione media prevista dal modello e la corrispondente riduzione tumorale (interpaziente) supporta l'ipotesi che l'ossigenazione sia un fattore prognostico della risposta tumorale. Abbiamo anche trovato correlazioni (r> 0,5) tra l'ossigenazione ipotizzata dal modello e gli indici Doppler in 5 casi su 7 (per due pazienti r = 0,9), una bassa correlazione è stata riscontrata solo in due pazienti che mostravano una condizione molto ipossica. Nonostante la mancanza di correlazione tra le tendenze di ossigenazione nel tempo, nelle 2 pazienti rimanenti il valore medio di ossigenazione previsto era molto simile al valore medio di uno degli indici Doppler. Questo può far supporre che in caso di ipossia severa sia più rilevante l’identificazione di tale condizione che la previsione puntuale dell’ossigenazione, in quanto la variazione degli indici Doppler ad essa relativi potrebbe essere più dipendente dal rumore da cui sono affetti i dati che da una variazione effettiva della disponibilità di ossigeno.
Abbiamo inoltre affrontato la possibilità di regolare i parametri del modello partendo da un'impostazione basata su un gruppo di pazienti per raggiungere una configurazione sagomata su un paziente specifico sfrut-tando una procedura di ottimizzazione dei parametri in due fasi. Questo studio è stato condotto su dati del volume tumorale di 16 pazienti con cancro cervicale. L'adattamento dei parametri del modello basato sul gruppo ha ridotto l'errore di previsione di circa la metà rispetto al suo valore iniziale (range di errore: 20-15%) raggiungendo prestazioni promettenti (range di errore: 7-10%). Questi risultati, paragonabili alle prestazioni (errore medio: ~ 5%) ottenuti attraverso l’ottimizzazione dei parametri sullo specifico paziente, hanno suggeri-to che questo nuovo approccio possa permettere di personalizzare con successo il modello basato su gruppo. Inoltre, un intervallo di errore simile (7-12%) è stato trovato arrestando l’adattamento dopo aver considerato unicamente i dati delle prima due settimane di trattamento. In altre parole, sfruttando i dati raccolti nelle prime due settimane di trattamento, il modello è in grado di migliorare notevolmente la sua capacità di predire l'evo-luzione tumorale su base paziente-specifica.
Infine, abbiamo studiato la capacità del modello di gestire diverse strategie di trattamento sia mediante si-mulazioni basate su uno dei precedenti modelli, sia sviluppando una nuova definizione matematica sulla base dell'analisi di dati di letteratura. Abbiamo appurato che le pause del trattamento così come diverse strategie di frazionamento influenzano la progressione del tumore secondo le simulazioni. Conseguentemente, abbiamo discusso riguardo la possibilità di definire un sistema di classificazione per selezionare il miglior trattamento per il paziente specifico in base ai risultati del modello, ad esempio considerando la riduzione massima del volume. Per quanto riguarda lo studio basato sulla letteratura, abbiamo incluso una dinamica aggiuntiva legata all'escalation della dose: l’edema. Abbiamo scoperto che, con un unico modello matematico ed un unico set-ting dei parametri, è possibile fittare i dati di evoluzione della massa tumorale dei ratti irradiati mediante una singola frazione che va da 2Gy a 60Gy, con un errore del 2% rispetto al volume massimo del tumore raggiun-gibile calcolato sul gruppo di controllo.
Nonostante la natura preliminare del progetto, che dovrebbe essere affrontato includendo un numero maggiore di dati ed aumentandone l’accuratezza, i risultati sono promettenti. Gli studi presentano molti aspetti di novità, tra cui l’introduzione di fenomeni complessi all'interno di uno strumento matematico semplificato, la validazione per mezzo di dati multimodali e l'idea di un tuning dei parametri in corso di trattamento per passa-re da un modello generale ad una configurazione paziente-specifica. Abbiamo affrontato il problema della modellazione da diversi angoli e fornito suggerimenti interessanti per un'applicazione orientata alla clinica. Pertanto, crediamo che le analisi descritte nel presente manoscritto rappresentino un passo avanti nella perso-nalizzazione della radioterapia per i pazienti oncologici.A compelling and flourishing field of research in the scientific panorama is the treatment personalization in clinical oncology. On one hand, technological advancement along with the novel findings in tumor biochemistry allowed a significant annual percent mortality reduction, from 2003 to 2012, considering all tumor sites. On the other hand, despite the impressive amount of possible therapeutic options, treatments often stem from general guidelines and, once the stage of the disease is assessed, the therapy is conveyed to the patients in an almost one-size-fits-all fashion, according to the facility protocols. A critical aspect is that patients, even at the same tumor stage, can respond differently to the treatment, for example, due to specific genetic features or tumor microenvironment conditions. In this clinical context, mathematical models have been introduced both to provide insight in the biological mechanisms underpinning the tumor evolution and to predict the patient prognosis. The well-known linear quadratic model, predicting the cell killing effect of irradiation, is widely used in the clinics to compute the tumor control probability. Nevertheless, it has emerged from clinical studies that simple radio-biologic models, failing to incorporate the heterogeneity of radio-sensitivity and/or tumor cell repopulation, cannot adequately describe clinical outcomes. This implies that a complex network of interdependent dynamics drives the overall tumor progression. First, it was observed that while part of the tumor consists of viable cells, which either keeps dividing (active clonogens) or rests in a dormant state (quiescent), another portion might be necrotic due to either lack of nutrients or treatment effects. Moreover, the nutrient and oxygen availability, quoting two among many sub-cellular factors, affect the tumor aggressiveness and responsiveness to the treatment. In the last decade, many attempts in defining more accurate and reliable mathematical models have been made. All the works developed in the field of tumor growth modeling can be coarsely classified into two different groups: macroscopic and multiscale models. On one hand, macroscopic models focus their attention on the tissue level and are able to provide a big picture of the pathology evolution. On the other hand, multiscale models address the problem at different scales by allowing the interplay among the overall tumor evolution and the mechanisms occurring at genetic/cellular level. Multiscale models are clearly more complete and realistic, they can theoretically simulate any kind of complex interdependencies with the only limit of computational effort and time. However, their reliable and accurate setting requires a multimodal data gathering (morphological/functional) which may include more invasive and expensive procedures as the algorithm complexity increases. In case multimodal data are unavailable, a generic literature based setting can be performed, and/or the validation can be limited to the volumetric evolution. As a consequence, the advantages of the multiscale architecture in predicting the patient-specific response to treatment could be hindered in clinical practice. In other words, the potential of multiscale models may not be supported by the correspondent technological possibility to accurately set and validate them. Conversely, macroscale models, despite their rough approximation of the complex phenomena underpinning the tumor evolution, can provide useful information on the tumor evolution while requiring a reduced data gathering effort which is feasible and even already performed, in everyday clinical practice.
This work proposes several macroscopic models defined by means of equations systems describing the tumor volume/mass change across time. Starting from two-dynamics (viable and necrotic portion) systems, other mechanisms such as the effect of the oxygenation or the occurrence of edema, are introduced according to the specific application. The proposed models are trained and tested on different data types (caliper measurements, US-Doppler images, CBCT and MRI-based images) of prostate bearing rats and cervical cancer patients. We also theorized a model-supported treatment planning which is described below. A tumor model is built to represent the evolution of a general solid tumor. It is specialized by setting some free parameters by training it on a large dataset (volume evolution etc.) of a specific tumor type (group-specific model). When a new patient is diagnosed with the same tumor type, different fractionation modalities are simulated. The clinician, based on its expertise, the institutional guidelines and the model simulation administer a treatment strategy. The tumor evolution is monitored by means of longitudinal morphologic/functional data. The new data are used for a model tuning and parameter refinement. New simulations are performed and the treatment strategy may be revised accordingly. Note that all the models presented address the problem at a macroscale level. Despite the fact that multiscale models would provide a more realistic simulation of the tumor evolution, they require a large amount of data (both morphological and functional) to achieve a correct parameter setting. A recurrent tuning of those parameter by the continuous monitoring of the tumor evolution in clinical practice is often hindered by the invasiveness and the costs of the procedures. In our belief, the problem simplification provided by macroscopic models and the consequent reduced amount of data required for their training and validation make them more suitable for clinical-oriented applications.
In the earliest attempts we disregarded the explicit model of the oxygenation role and investigated the fitting ability of the two-dynamics system on the tumor evolution of Dunning R3327-AT1 (prostate cancer) bearing rats. Among the 18 rats included in the study 9 were breathing oxygen while 9 inhaled air during the irradiation. Caliper based measurements of the volume evolution along with magnetic resonance acquisition providing oxygen information were available. Despite the limitation of a small dataset, the caliper-based measurements and model dynamics reduction, the proposed formulation was able to fit the data within about 25% error in 15 of 18 rats. The correlation analysis suggested a relation between the radio-sensitivity and the changes a MRI-based index for a subgroup group. This hypothesis was supported by further investigation leading to the finding that only rats featuring an increase in the same index during an oxygen challenge, seemed to benefit from oxygen inhalation. In the end, we showed how the radiosensitivity could be assessed a priori using a neural network by means of oxygen and volume-related information.
In following studies, we introduced the hypothesis that the larger the active portion the higher the oxygen consumption and the lower the average oxygen availability. We also assumed that an increase in oxygenation results in an improved radiosensitivity and that the irradiation damages to the microenvironment can affect the tumor regrowth. In one of these studies study 7 cervical cancer patient were included, and both volumetric and vascularization/flow information were available for validation due to Ultrasound (US) Doppler-based measurements. The high correlation value (r~0.9) found between the average oxygenation predicted by the model and the corresponding tumor reduction (inter-patient) supports the hypothesis that the oxygenation is a prognostic factor of the tumor response. We also found correlations (r>0.5) between the model-based oxygenation and the Doppler indices in 5 out of 7 cases (for two patients r=0.9), poor correlation only occurred in two patients showing a very hypoxic condition. Despite the lack of correlation between the oxygenation trends across time, in the remaining 2 out of 7 patients the average oxygenation value predicted was very similar to the average US-Doppler indices value suggesting that in case of severe hypoxia recognizing its occurrence can be more relevant than predicting the oxygenation trend whose variation may be more dependent on data noise than actual oxygen availability change due to its small value.
We also addressed the possibility to adjust the model parameter starting from a group-based setting to reach a patient based configuration by exploiting a two-step procedure of parameter optimization. This study was carried out on tumor volume data only of 16 cervical cancer patients. The parameter adaptation of the group-based model reduced the prediction error of about one half with respect to its initial value (error range: 20-15%) reaching promising performances (error range: 7-10%). These results, comparable to the fitting performances (mean error: ~5%) of the patient-specific parameter optimization investigated in a previous study, suggested that this novel approach can successfully customize the group-specific model. Moreover, a similar error range (7-12%) was found when the adaptation was arrested using the data of the first two week of treatment only. In other words, exploiting a few data gathered in the first two weeks of treatment, the model is able to remarkably improve its ability to predict the tumor evolution on a patient-specific basis.
Finally, we investigated the model ability to cope with different treatment strategies both by means of simulations based on one of the above mentioned models and by developing a new mathematical definition on the base of literature data analysis. We found that treatment pauses as well as different fractionation strategies affected the model simulation and discussed on the possibility of defining a ranking system to select the best treatment for the specific patient according to the simulation results, for example considering the maximum volume reduction. As far as the literature-based study was concerned, we included an additional dynamics to cope with the
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Tumor radio-sensitivity assessment by means of volume data and magnetic resonance indices measured on prostate tumor bearing rats
No full text- …
