A framework for the development of quantitative imaging biomarkers for cancer research

dc.commentsEE/2026/5287
dc.contributor.advisorGuevara Lopez, Miguel Angel
dc.contributor.advisorMagalhães, Luís Gonzaga Mendes
dc.contributor.authorFontes, João Pedro Pereira
dc.date.accessioned2026-10-21T13:41:40Z
dc.date.issued2026-09-10
dc.date.submitted2026-10
dc.description.abstractBreast cancer molecular subtype determines prognosis and treatment strategy, yet its conventional assessment via immunohistochemistry is invasive and resource-intensive. This thesis proposes a modular framework for quantitative imaging biomarker (QIB) discovery from volumetric medical imaging, decomposing the problem into two independent stages: automated lesion localisation and downstream phenotype classification into Luminal A, Luminal B, HER2-enriched, and Triple-Negative subtypes. Breast cancer subtype classification from dynamic contrast-enhanced MRI (DCE-MRI) serves as the primary validation case study. A 3D convolutional neural network trained under a one-versus-all strategy produces four independent binary classifiers on the Duke-Breast-Cancer-MRI dataset (922 patients), with percentile-based intensity normalisation, class-weighted loss, and volumetric and rotational data augmentation to address class imbalance. External validation on an independent Portuguese cohort (Unidade Local de Saúde da Arrábida, n = 98) yields AUC-ROC values of 0.9610, 0.9205, 0.9788, and 0.9229 (weighted mean 0.9416, weighted by per-subtype case count) without fine-tuning, despite a pronounced subtype prior shift. A secondary multicentric experiment demonstrates that naïve data pooling without domain harmonisation degrades crossinstitutional generalisation (weighted mean AUC-ROC 0.8644). The modular design provides a transferable foundation for Deep Learning (DL)-based QIB assessment across oncological contexts.eng
dc.description.abstractO subtipo molecular do cancro da mama determina o prognóstico e a estratégia terapêutica, mas a sua avaliação convencional por imuno-histoquímica é invasiva e intensiva em recursos. Este trabalho propõe uma framework modular para a descoberta de biomarcadores quantitativos de imagem (QIBs) a partir de dados volumétricos, decompondo o problema em duas etapas independentes: localização automatizada de lesões e classificação fenotípica nos subtipos Luminal A, Luminal B, HER2-enriquecido e Triplo Negativo. A classificação de subtipos moleculares do cancro da mama a partir de DCE-MRI serve como caso de estudo principal. Uma rede neuronal convolucional 3D, treinada seguindo uma estratégia um-contra-todos, produz quatro classificadores binários independentes no dataset Duke-Breast-Cancer-MRI (922 pacientes), com normalização de intensidade por percentis, função de erro ponderada por classe e data augmentation volumétrico e rotacional para mitigar o desbalanceamento de classes. A validação externa num conjunto de dados prospetivo independente da Unidade Local de Saúde da Arrábida (n = 98) obtém valores de AUC-ROC de 0.9610, 0.9205, 0.9788 e 0.9229 (média ponderada 0.9416) sem qualquer ajuste ao domínio alvo, apesar de uma acentuada diferença na distribuição de subtipos. Uma experiência multi-centro demonstra que a agregação de dados naïve sem harmonização de domínio degrada a generalização inter-institucional (AUC-ROC média ponderada 0.8644). A conceção modular da framework constitui uma base transferível para uma avaliação baseada em Deep Learning em contextos oncológicos mais amplos.por
dc.identifier.tid101670710
dc.identifier.urihttps://hdl.handle.net/1822/104168
dc.language.isoeng
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectBreast Cancer Molecular Subtypes
dc.subjectDeep Learning
dc.subjectDynamic Contrast-Enhanced MRI
dc.subjectQuantitative Imaging Biomarkers
dc.subjectRadiogenomics
dc.subjectBiomarcadores de Imagem Quantitativos
dc.subjectRadiogenómica
dc.subjectRessonância Magnética Dinâmica com Contraste
dc.subjectSubtipos Moleculares do Cancro da Mama
dc.subject.fosCiências Naturais::Ciências da Computação e da Informação
dc.titleA framework for the development of quantitative imaging biomarkers for cancer researcheng
dc.typedoctoralThesis
dspace.entity.typePublication
sdum.degree.gradeMuito bom
sdum.uoeiEscola de Engenharia
thesis.degree.grantorUniversidade do Minhopor
thesis.degree.nameDoutoramento em Tecnologias e Sistemas de Informação

Ficheiros

Pacote original

A mostrar 1 - 1 de 1
A carregar...
Nome:
Joao Pedro Pereira Fontes.pdf
Tamanho:
1.52 MB
Formato:
Adobe Portable Document Format