A framework for the development of quantitative imaging biomarkers for cancer research
| dc.comments | EE/2026/5287 | |
| dc.contributor.advisor | Guevara Lopez, Miguel Angel | |
| dc.contributor.advisor | Magalhães, Luís Gonzaga Mendes | |
| dc.contributor.author | Fontes, João Pedro Pereira | |
| dc.date.accessioned | 2026-10-21T13:41:40Z | |
| dc.date.issued | 2026-09-10 | |
| dc.date.submitted | 2026-10 | |
| dc.description.abstract | Breast 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.abstract | O 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.tid | 101670710 | |
| dc.identifier.uri | https://hdl.handle.net/1822/104168 | |
| dc.language.iso | eng | |
| dc.rights | openAccess | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Breast Cancer Molecular Subtypes | |
| dc.subject | Deep Learning | |
| dc.subject | Dynamic Contrast-Enhanced MRI | |
| dc.subject | Quantitative Imaging Biomarkers | |
| dc.subject | Radiogenomics | |
| dc.subject | Biomarcadores de Imagem Quantitativos | |
| dc.subject | Radiogenómica | |
| dc.subject | Ressonância Magnética Dinâmica com Contraste | |
| dc.subject | Subtipos Moleculares do Cancro da Mama | |
| dc.subject.fos | Ciências Naturais::Ciências da Computação e da Informação | |
| dc.title | A framework for the development of quantitative imaging biomarkers for cancer research | eng |
| dc.type | doctoralThesis | |
| dspace.entity.type | Publication | |
| sdum.degree.grade | Muito bom | |
| sdum.uoei | Escola de Engenharia | |
| thesis.degree.grantor | Universidade do Minho | por |
| thesis.degree.name | Doutoramento em Tecnologias e Sistemas de Informação |
Ficheiros
Pacote original
1 - 1 de 1
A carregar...
- Nome:
- Joao Pedro Pereira Fontes.pdf
- Tamanho:
- 1.52 MB
- Formato:
- Adobe Portable Document Format