Cluster Analysis of Multiparametric Magnetic Resonance Images of Rectal Cancer

Abstract

Sammendrag: Formål: Klyngeanalyse utført på funksjonelle magnetresonans (MR) bilder har blitt foreslått som en metode for å dele heterogene tumorvolum inn i mer homogene subvolum. Målet med denne studien er å undersøke validiteten av klynger oppnådd ved klyngeanalyse av multiparametriske MR-bilder av pasienter med rektalkreft. Det ønskes også å undersøke hvorvidt noen av de resulterende subvolumene kan relateres til progresjonsfri overlevelse (PFS)

Materialer og metoder: Klyngeanalyse ved bruk av k-means og Gaussian Mixture Models (GMM) ble utført på et datasett bestående av T2-vektede MR-bilder, diffusjonsvektede MR-bilder med seks forskjellige diffusjons b-verdier fra 0-1000 s mm^-2, den såkalte apparente diffusjonskoeffisient (ADC) parameterkart og intravoxel inkoherent bevegelse (IVIM) parameterkart for 54 pasienter gitt diagnosen rektalkreft. Prinsipalkomponentanalyse ble utført for å redusere antallet dimensjoner i datasettet før klyngeanalyse ble gjennomført. Det optimale antallet klynger ble funnet ved bruk av Calinski-Harabasz (CH) indeksen, Davies-Bouldin (DB) indeksen, DB* indeksen, DB** indeksen og Silhuett koeffisienten. For GMM ble det optimale antallet komponenter funnet ved Bayes informasjonskriterium (BIC).

I overlevelsesanalysen ble pasientgruppen delt i to etter hvorvidt hver pasient mottok preoperativ kjemoradioterapi (CRT) eller ikke. De resulterende gruppene vil fra nå av bli omtalt som CRT- og ikke CRT gruppen. CRT gruppen bestod av 24 pasienter, mens ikke CRT gruppen bestod av 30 pasienter. Det ble utført logrank tester der pasienter innen hver gruppe ble inndelt etter median klyngevolum (k-means)/komponentvolum (GMM). Univariat Cox regresjon ble utført ved bruk av klyngevolum (k-means)/komponentvolum (GMM) som risikofaktor. For begge metoder var klinisk endepunkt definert ved PFS. Bonferronikorreskjon ble utført for å korrigere signifikansnivået for gjentatt testing. Korreksjonen ble utført for datasettet inndelt ved k-means klyngeanalyse og datasettet inndelt ved GMM klyngeanalyse hver for seg.

Result: Det optimale antallet klynger for k-means klyngeanalyse og komponenter for GMM klyngeanalyse var to og ni. Komponentene funnet ved GMM klyngeanalyse ble funnet å være stabile ved gjentatt inndeling av forskjellige datasett laget ved å trekke tilfeldige voxeler ut fra det fulle datasettet.

En av klyngene som ble funnet i datasettet inndelt ved bruk av k-means klyngeanalyse var relatert til PFS (logrank: p-verdi < 0.02, univariat Cox: p-verdi < 0.006) i ikke CRT pasientgruppen. I datasettet inndelt ved GMM klyngeanalyse ble det funnet to komponenter som var signifikant relatert til PFS ved bruk av logrank test (p-verdi = 0.001 og p-verdi = 0.001) i ikke CRT gruppen. Disse komponentene ble derimot funnet å ikke være signifikant relatert til PFS ved det Bonferronikorrigerte signifikansnivået når de ble undersøkt med univariat Cox regresjon. Én komponent som ikke var signifikant relatert til PFS ved logrank test var signifikant relatert til PFS ved univariat Cox regresjon (p-verdi < 0.002). En større relativ risiko var knyttet til økende volum av denne komponenten sammenlignet med en tilsvarende økning i det totale tumorvolumet. Ingen klynger (k-means) eller komponenter (GMM) var signifikant relatert til PFS i CRT pasientgruppen.

Konklusjon: Klyngeanalyse ble benyttet på multiparametriske MR-bilder av pasienter med rektalkreft og parameterkart utledet ved bruk av disse. Dette gav tumorvolum inndelt i subvolum der noen av disse var relatert til PFS for pasienter som ikke mottok preoperativ CRT.

Abstract: Purpose: Cluster analysis performed on images obtained with functional magnetic resonance imaging (MRI) has been proposed as a method of partitioning heterogenous tumour volumes into more homogenous subvolumes that exhibit similar physical characteristics. The aim of this study is to examine the validity of clustering solutions based on multiparametric MRI (mpMRI) of patients with rectal cancer and to examine whether any of the obtained subvolumes are related to the progression free survival (PFS).

Materials and methods: Cluster analysis using k-means and Gaussian mixture models (GMM) was performed on a dataset containing T2 weighed (T2w) MRI, diffusion weighted images (DWI) with 6 different diffusion b-values from 0s mm^-2-1000s mm^-2, apparent diffusion coefficient (ADC) parameter maps and intravoxel incoherent motion (IVIM) parameter maps of a patient cohort consisting of 54 patients with rectal cancer. Principal component analysis was performed to reduce the dimensionality of the dataset prior to clustering. The optimal number of clusters for the k-means algorithm was found using the Calinski-Harabasz (CH) index, Davies-Bouldin (DB) index, DB* index, DB** index and the Silhouette coefficient. In the GMM clustering solution the optimal number of components was found using the Bayesian information criterion (BIC).

For the survival analysis the patient cohort was partitioned into groups CRT or No CRT depending on whether or not they were to receive preoperative chemoradiotherapy (CRT) resulting in groups, from now on referred to as CRT and No CRT, containing 24 and 30 patients, respectively. Logrank tests using the median cluster (k-means)/component (GMM) volume within a treatment group as a cutoff and univariate Cox regression using the cluster volume as a risk factor was used to associate the obtained clusters (k-means)/components (GMM) to PFS. The Bonferroni corrections for multiple comparisons was used to correct the significance threshold according to the number of clusters tested for association with PFS. This corrections was made for the k-means and GMM clustered dataset separately.

Results: The optimal number of clusters in the k-means cluster analysis and components in the GMM cluster analysis was found the be two and nine respectively. The GMM clustering solution was found to be stable towards repeats using different randomly sampled subsets of the full dataset.

One of the clusters in the k-means partitioned dataset was found to be associated with PFS (logrank: p-value < 0.02, univariate Cox: p-value < 0.006) for the No CRT group. In the GMM partitioned dataset two components were found to be associated with the PFS by using the logrank test (p-value = 0.001 and p-value = 0.001) in the No CRT group. These components were found not to be significantly associated to the PFS at the Bonferroni corrected significance level in the Cox regression. However, a component not significantly associated with the PFS in the logrank test was found to be significantly associated with PFS in the univariate Cox regression (p-value < 0.002). A greater relative risk was shown to be associated with an increase in volume of this component as compared to a similar volume increase in the unpartitioned tumour volume.

No clusters from the k-means partitioned dataset or components in the GMM partitioned dataset were found to be associated with PFS in the CRT group.

Conclusion: Cluster analysis based on multiparametric MRI (mpMRI) and derived parameter maps of patients with rectal cancer was shown to successfully partition the tumour volumes into subvolumes associated with PFS for patients that did not receive CRT.