tumor virtual: parametrización y simulación

Tumor Virtual: parametrización y simulación

Tumor virtual: parametrización y simulación.

Miguel Martín LandroveCentro de Física Molecular y Médica, Facultad de Ciencias, UCV

Centro de Diagnóstico Docente Las MercedesCaracas, Venezuela


Segmentación de las

imágenes

Análisis de escalamiento

Escogencia de modelo de crecimiento

tumoral apropiado

Optimización de plan de

tratamiento

Introducción y fundamentación


Parametrización. 2D in vitro.

A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C, Berenguer, Phys. Rev. Lett. 81, 4008 (1998).


A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C, Berenguer, Phys. Rev. Lett. 81, 4008 (1998).



Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16 (2), 203 –207 (2008)



Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16 (2), 203 – 207(2008)

Brain Tumor Staging and Classification by Analysis of Contour Critical Exponents, M. Yánez, B. López, M. Martín-Landrove, Memorias del X Congreso Internacional de Métodos Numéricos en Ingeniería y CienciasAplicadas, CIMENICS’2010 en Modelos Computacionales en Ingeniería: Desarrollos Novedosos y Aplicaciones, R.Chacón, F. León, V. Duarte, O. Verastegui (Editores), pp. PS 115- 120, SVMNI, 2010



Parametrización. 3D in vivo.


3-D in vivo Brain Tumor Geometry Study by Scaling Analysis, F. Torres Hoyos, M. Martín-Landrove, PhysicaA, 391, 1195-1206 (2012)



Tipo Casos αloc r2(αloc)

Glioblastoma* 105 0.866 ± 0.054 0.999

Glioma Grado I 18 0.803 ± 0.082 0.998

Glioma Grado II 11 0.855 ± 0.072 0.998

Glioma Grado III 6 0.892 ± 0.067 0.998

Metástasis 22 0.751 ± 0.130 0.998

Neurinoma Acústico 42 0.720 ± 0.102 0.997

Meningioma 86 0.774 ± 0.093 0.998

Craniofaringioma 1 0.714 0.997

Adenoma Pituitario 7 0.751 ± 0.088 0.998

Resultados hasta el presente


* The Cancer Imaging Archive, National Cancer Institute


Resultados hasta el presente. Gliomas.



Tissue Classification in Oncological PET/CT Images, J. Aponte, M. Martín-Landrove, XI Congreso Internacional deMétodos Numéricos en Ingeniería y Ciencias Aplicadas, CIMENICS’2012


0.722 - 0.7690.751 - 0.892

0.820 – 0.853

Resultados hasta el presente



Simulación. Ecuación diferencial del modelo


mc 35

/10 mmcélulasbajo 13

102.1 diasalto

12102.1

diasgD díamm /100.2

23wD díamm /10

22

0c 3

/200 mmcélulas

Simulación. Parámetros del modelo de crecimiento


C. Cocosco, V. Kollokian, R. Kwan, and A. Evans. Brainweb : On line interface to a 3d mri simulated braindatabase. In Neuroimage, Proceedings of the Third International Conference on the Funtional Mapping ofthe Human Brain, volume 5, Copenhagen, 1997.

Simulación. Soporte del modelo de crecimiento


Simulación. Mapa de Difusión. Modelo Isotrópico.


Simulación. Criterio para la determinación de la interfaz


Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, XI Congreso Internacional deMétodos Numéricos en Ingeniería y Ciencias Aplicadas, CIMENICS’2012


Simulación. Evolución temporal del exponente de rugosidad local


0.413

Simulación. Glioma de bajo grado

5 años


0.718

Simulación. Glioma de bajo grado

20 años


0.445

Simulación. Glioma de alto grado

3 años


0.965

Simulación. Glioma de alto grado

7 años


Simulación. Modelo con latencia.

Radio efectivo de difusión de nutrientes y oxígeno

Células tumorales activas

Células en estado latente o

necróticas


Simulación. Modelo con latencia. Etapas terminales.


Simulación. Modelo con latencia


Simulación. Modelo con latencia. Comportamiento de ley de potencia.


Simulación. Modelo con latencia


Simulación. Modelo con latencia Comportamiento maligno

Comportamiento benigno


Conclusiones

• Los parámetros de la interfaz para las simulaciones hechas con elmodelo de reacción difusión concuerdan con los valores obtenidosde mediciones in vivo utilizando imágenes de resonancia magnéticacon contraste.

• El exponente de rugosidad local varía con el tiempo de lasimulación, lo que parece estar en concordancia con la dependenciaobservada con el grado de malignidad.

• El crecimiento no es de tipo Gompertz, sino del tipo ley de potenciacon un exponente que tiene un comportamiento no lineal en elparámetro de proliferación celular.

• El exponente de rugosidad local varía de manera no lineal con elparámetro de proliferación celular, mostrando una transición entreun régimen de comportamiento benigno a uno maligno.

tumor virtual: parametrización y simulación

Health & Medicine