Sangüesa Recalde, María2024-06-112024-06-112024https://academica-e.unavarra.es/handle/2454/48319Este proyecto tiene como objetivo el desarrollo de métodos de análisis de imagen y aprendizaje profundo para el análisis del microambiente tumoral en imágenes de biopsias de pacientes con carcinoma urotelial. Las biopsias tumorales fueron obtenidas de pacientes en la Clínica Universidad de Navarra y las imágenes de inmunofluorescencia de siete canales se consiguieron utilizando el dispositivo de adquisición de imágenes multiespectrales Vectra Polaris de Akoya Biosystems. Las imágenes están compuestas por siete canales que corresponden a siete fluorocromos que etiquetan células tumorales y diferentes poblaciones de células inmunitarias. Los objetivos del proyecto incluyen la segmentación de células basada en marcadores nucleares y de membrana, la clasificación de diferentes fenotipos celulares basada en la expresión de marcadores fluorescentes, y el estudio de las interacciones entre las poblaciones celulares en relación con el resultado clínico del paciente. El método basado en Deep Learning utilizado para segmentación nuclear implementado y entrenado con nuestro conjunto de datos supera a otros métodos del estado del arte en términos de precisión de segmentación. La segmentación de célula complete y la clasificación de fenotipos celulares han sido también optimizados para detectar dos poblaciones celulares en nuestra cohorte de pacientes, dado su interés clínico: células CD8+ y células BATF3+.Entre los resultados obtenidos se debe destacar que la densidad de poblaciones celulares CD8+ dentro del microambiente tumoral sirve como un indicador de la respuesta mejor al tratamiento de inmunoterapia Atezolizumab en pacientes con carcinoma urotelial. Además, se ha descubierto que las interacciones entre las poblaciones celulares BATF3+ y CD8+ también tienen un impacto directo en la evolución de los pacientes. Estas conclusiones contribuyen significativamente a la investigación clínica al identificar nuevos biomarcadores relevantes dentro del sistema inmune.This project aims to develop image analysis and deep learning methods for the analysis of the tumor microenvironment in images of biopsies of urothelial carcinoma patients. Tumor biopsies were obtained from patients in the Clínica Universidad de Navarra, and 7-plex immunofluorescence images were acquired from tissue microarrays using the Vectra Polaris multispectral image acquisition device (Akoya Biosystems). The images are composed of seven channels corresponding to seven fluorochromes labelling tumor cells and different immune cell populations. The objectives of the project include the segmentation of cells based on nuclear and membrane markers, the classification of different cell phenotypes based on the expression of fluorescent markers, and the study of interactions between cell populations in relation with the patient clinical outcome. The nuclei segmentation deep learning-based method implemented and trained with our dataset outperforms other state-of-theart methods in terms of segmentation accuracy. Whole-cell segmentation and cell phenotype classification have also been optimized to detect two cell populations in our patient cohort, due to their clinical interest: CD8+ cells and BATF3+ cells. Within the obtained results, it should be highlighted that the density of CD8+ cell population within the tumor microenvironment serves as an indicator of the response to Atezolizumab immunotherapy treatment in patients with urothelial carcinoma. Additionally, is has been found that spatial interactions between BATF3+ and CD8+ cell populations also have a direct impact on the patient outcomes. These conclusions significantly contribute to clinical research by identifying new relevant biomarkers within the immune system.application/pdfengAprendizaje profundoMicroambiente tumoralCarcinoma urotelialImágenes multiplexadasInteracciones espacialesDeep learningTumor microenvironmentUrothelial carcinomaMultiplex imagingSpatial interactionsinfo:eu-repo/semantics/masterThesis2024-06-10Acceso abierto / Sarbide irekiainfo:eu-repo/semantics/openAccess