Analysis of Tumor Tissue

Master Project: Automatic Detection and Analysis of Tumor Tissue in Prostate Punch Biopsies (2014-2015)

Ausgangslage

Die radikale Prostatektomie, d.h. die operative Entfernung der Prostata, gilt immer noch als Standardtherapie bei Patienten mit Prostatakarzinom. Viele der Patienten werden allerdings durch diese Art der Therapie übertherapiert. Die meisten Patienten mit Prostatakrebs sterben mit und nicht an ihrer Erkrankung. Die Definition von signifikantem bzw. unsignifikantem Prostatakrebs ist eine der grössten Herausforderungen, der sich die uro-onkologische Forschung stellen muss. Seit über 60 Jahren stellt der sog. Gleason-Score, ein Mass für das Wachstumsmusters eines Prostatakarzinoms, den besten Prognosefaktor bei Patienten mit Prostatakarzinom dar.

Im Rahmen einer grossen Studie zum PSA Screening bei Patienten mit Prostatakarzinom wurden ca. 9’900 Männer im Kanton Aargau vor mehr als 11 Jahren kontaktiert und hinsichtlich eines Prostatakarzinoms untersucht. Bei 475 Patienten konnte ein Prostatakarzinom im Rahmen dieser Studie festgestellt werden. Die entsprechenden histologischen Schnitte (Hämatoxylin Eosin Färbung) sowie die Überlebensdaten für diese Patienten sind im Kantonsspital Aarau vorhanden. Sämtliche Geräte, die für die Umsetzung dieses Projektes notwendig sind, sind am Universitätsspital Zürich vorhanden.

Zielsetzung / Methodik / Vorgehen

Hauptziel dieses Projektes ist die Definition von signifikantem Prostatakarzinom mittels Digitalisierung, Datenarchivierung und Computergestützter Analyse von Prostatagewebestanzen unter Verwendung eines hochauflösenden Slidescanncers.
In einem ersten Schritt sollen einzelne histologische Schnittpräparate eingescannt und digitalisiert werden. Dabei soll der Scanner, die Datenfiles sowie der vorhandenen Workflow kennengelernt werden. Mit dem Aufbau eines neuen Systems zur systematischen Inventarisierung von digitalen Bilddaten und Annotationen sollen gleichzeitig weitere Schnittpräparate eingescannt, annotiert und inventarisiert werden. Diese Datenbasis dient im weiteren Projektverlauf als realistische Testdatenbasis, welche für überwachtes maschinelles Lernen eingesetzt werden kann.

In einem zweiten Schritt sollen bestehende Analyse- und Segmentierungs-Algorithmen modularisiert und in einer einfach erweiterbaren, konfigurierbaren und verwendbaren Prozesskette abgebildet werden. Die Erweiterbarkeit und Verwendbarkeit dieses Modularisierungskonzepts soll anhand erster eigener Algorithmen zur Zellkerndetektion praktisch überprüft werden.

Im dritten Schritt sollen mithilfe neuer Algorithmen und Prozessketten Tumorareal in digitalen Bilddaten automatisch detektiert, klassifiziert, gekennzeichnet und hinsichtlich morphologischer Eigenschaften (z.B. Gleason Score) analysiert werden. Die automatisch detektierten Areale sind mit den markierten Arealen eines Pathologen automatisch zu vergleichen. Die so extrahierten Parameter sollen mit Hilfe von Regressionsanalysen mit den Verlaufsdaten verglichen werden, um signifikanten von unsignifikantem Prostatakrebs hoffentlich besser unterscheiden zu können.