Quantification of breast lesion imaging phenotypes in parametric magnetic resonance imaging

Abstract

Accurate diagnosis of breast cancer has pivotal role in the oncological control strategy. Diagnostic assessment of breast lesion imaging heterogeneity disparities becomes challenging in clinical practice, when dealing with equivocal breast lesions. Advancements in the radiology field in terms of efficient imaging modalities, as well as innovations in medical image analysis and processing, allow tracking macroscopically, repeatedly, and non-invasively of breast intralesion imaging heterogeneity phenotypes. Specifically, the clinical usage of Magnetic Resonance Imaging (MRI) emerges, as it provides anatomical, functional, and structural information, capturing both spatially and temporally intralesion heterogeneity patterns, through conventional and advanced MR sequences. Regarding breast MRI, qualitative evaluation of intralesion heterogeneity phenotypes has been endorsed according to the Breast Imaging Reporting and Data System (BI-RADS) Lexicon Classification Form, while quantitative evaluation has been expressed by biomarkers of image signal intensity, shape, and texture characteristics of lesions. Since 1980s, remarkable advances in computer and data analysis algorithms facilitated the extraction of quantifiable image biomarkers/features (i.e., mathematical descriptors) to assess image grey level heterogeneity patterns that possibly indicate underpinning biological processes. A “new” discipline has emerged by the synergy of quantitative imaging and machine learning, known as radiomics. Radiomics refers to the automatic extraction of a large number of quantitative features from medical images, that are further analyzed and assessed in a high-throughput machine learning framework.Towards this direction, the current doctorate thesis aims to quantify breast intralesion imaging heterogeneity evaluating intensity-based and texture-based approaches within the framework of radiomics analysis, as an assistive decision support tool to routine multiparametric MRI-based breast cancer diagnosis. Two specific objectives, dealing with challenging concepts regarding exploitation of advanced MRI sequences at 3.0 T, were investigated. Acknowledging the valuable intrinsic contrast agent free information derived from Diffusion Weighted Imaging (DWI), the first objective of this thesis, was focused on a stand-alone DWI approach, by means of its pixelwise parametric representation (Apparent Diffusion Coefficient, ADC map). DWI quantitative evaluation of breast intralesion heterogeneity for breast cancer diagnosis, is mainly focused on intensity-based descriptors, while texture-based features are barely explored. Thus, the first objective was motivated by the investigation of the additive value of texture-based along with intensity-based features in DWI breast cancer diagnosis. The patient cohort analyzed, consisted of 78 histologically verified mass like breast lesions (40 benign and 38 malignant). A radiomics-based 2D analysis workflow including steps of intra DW image registration, semi-automated segmentation, feature selection and classification was employed. Specifically, a multi-resolution non-rigid registration scheme, was exploited for mapping the high-b value (b = 900 s/mm2) DW images to corresponding low b-value (b = 0 s/mm2) DW images. Lesion Region of Interest (ROI) segmentation was applied to high b-value (b900) DW images, employing a two-step semi-automated segmentation algorithm, consisting of the Fuzzy C-Means (FCM) followed by an edge/contour-based refinement segmentation method. Subsequently, ADC maps were generated, while lesion ROI segments were propagated to ADC maps. A total of 27 (11 intensity-based and 16 texture-based) features were extracted. Stepwise feature selection method was employed, while the discriminating ability of features was evaluated with univariate and multivariate Logistic Regression (LR) classification. The classification performance of the diagnostic model was evaluated by means of the Area Under Receiver Operating Characteristic curve (AUC). Findings demonstrate high classification performance (AUC 0.965), achieved by the feature subset selected by the stepwise regression method, consisting of one intensity-based (25th percentile) of lesion ADC map and one of texture (Grey Level Co-occurrence Matrix -based entropy). Combining lesion imaging profiles derived from different MRI techniques, such as T2-weighted, DCE, DCE pharmacokinetic models, DWI, ADC map and DKI have been recently suggested for breast cancer differential diagnosis. However, such mpMRI approaches suffer from low clinical translatability, as some of the MR acquisition techniques stated above (pharmacokinetic models and DKI) are rarely met in most institutions worldwide. Quantitative MR by means of intensity-based and texture-based radiomics analysis in the framework of a commonly utilized clinical MRI acquisition protocol, consisting of DCE and DWI, has not been investigated thoroughly in capturing breast intralesion heterogeneity. In addition, enriched information may be provided incorporating DCE semi-quantitative model-free approaches exploiting pixel-wise empirical indices (parametric maps) derived directly from the time to signal intensity curves (TICs) to deal with the lack of pharmacokinetic models of such MR protocols. Therefore, the aim of the second specific objective of this doctorate thesis, was to propose a comprehensive intensity-based and texture-based radiomics workflow that enables assessment of breast intralesion heterogeneity, from individual DCE and DWI parametric representations, as well as from their combination (multiparametric MRI, mpMRI representations) in classifying benign and malignant breast lesions. For this purpose, a patient cohort consisting of 85 histologically verified mass like breast lesions (41 benign and 44 malignant), was employed. The radiomics pipeline that was initially developed for the first specific objective, was utilized, however enriched with the preprocessing step of inter (DCE-DWI) and intra sequence registration and robust machine learning schemes of feature selection (Least Absolute Shrinkage and Selection Operator, LASSO) and three classification schemes (Logistic Regression, LR, Random Forest, RF, Support Vector Machine- Sequential Minimal Optimization, SVM-SMO). Specifically, in order to capture breast intralesion heterogeneity properties across pixel-wise multiparametric representations, intra- and inter-sequence registration schemes need to be adopted, enabling lesion ROI transfer. Multi-resolution non-rigid (deformable) registration schemes combining three levels of affine, and a final 4th resolution level of a 3rd order B-spline transformation, were employed. In the intra DCE sequence registration process all the DCE time frames (pre- and the 1st, 3rd, 4th, 5th post-contrast) were registered to a single post-contrast slice (the 2nd post-contrast DCE frame, i.e., 2.8 minutes after contrast injection, was considered as the reference image). Similarly, in the inter DCE-DWI sequence registration process the 2nd post-contrast DCE frame was used as the reference image for registering the low b-value (S0) DW image. Finally, in the intra DWI sequence registration process the high b-value (S900) DW image was registered to the previously b0_registered (S0_reg) DW image. Breast lesions were segmented both manually by an expert and semi-automatically on the2nd post-contrast frame. Manually delineated ROIs serve for the “ground-truth” segments of the analysis. The previously mentioned two-step semi-automated segmentation algorithm, consisting of the Fuzzy C-Means (FCM) followed by an edge/contour-based refinement segmentation method, was employed. The segmentation outcome has been further analyzed in terms of overlap accuracy and reproducibility. Lesion ROI segments were propagated to DCE semi-quantitative model-free and ADC parametric maps. A total of 27 (11 intensity-based and 16 texture-based) features were extracted from each MR representation, resulting in 135 features for each breast lesion. The robust feature selection method of LASSO was employed, while the discriminating ability of features was evaluated with univariate and multivariate LR, RF and SVM-SMO classification. The classification performance of the diagnostic model was evaluated by means of the AUC.Findings highlight the dominant role of DCE representations in breast MRI diagnosis, while complementary information is provided with the integration of DWI into the analysis scheme. The mpMRI scheme consisting of seven selected, intensity-based and texture-based entropy and percentile features achieved the highest classification performance across all three (3) classifiers ranging from 0.918 to 0.984. These results prove the feasibility of mpMRI radiomics to contribute to the precision of clinical decision making. In conclusion, both radiomic approaches, contrast agent free and multiparametric MRI, investigated in the current doctorate thesis, quantify breast intralesion imaging phenotypic heterogeneity, efficiently and accurately. Results suggest that exploiting intensity- based and texture-based radiomics analysis with machine learning, in commonly utilized breast MRI protocols may serve as an assistive decision support tool to MRI-based breast cancer diagnosis.

Η ακριβής και έγκαιρη διάγνωση καρκίνου του μαστού είναι καίριας σημασίας στη στρατηγική ογκολογικού ελέγχου. Η διαγνωστική εκτίμηση των διάφορων προτύπων απεικονιστικής ετερογένειας (απεικονιστικοί φαινότυποι) των αλλοιώσεων του μαστού, αποτελεί μία ιδιαίτερη πρόκληση για την κλινική ρουτίνα και ιδιαίτερα όταν αυτή αφορά ύποπτες και αμφίσημες αλλοιώσεις μαστού. Οι εξελίξεις στον κλάδο της ακτινολογίας, υπό την έννοια των νέων/σύγχρονων απεικονιστικών τεχνικών, καθώς επίσης και των καινοτομιών που αφορούν στην ανάλυση και επεξεργασία ιατρικής εικόνας, επιτρέπουν τον εντοπισμό των απεικονιστικών φαινοτύπων ετερογένειας, μακροσκοπικά, επαναλαμβανόμενα και μη επεμβατικά. Ειδικότερα, η κλινική χρήση της Απεικόνισης Μαγνητικού Συντονισμού (ΑΜΣ) στη διαχείριση καρκίνου του μαστού είναι αναδυόμενη, καθώς δύναται να παρέχει ανατομικές, λειτουργικές και δομικές πληροφορίες, που αποτυπώνονται σε χωρικά και χρονικά πρότυπα ετερογένειας, μέσω των συμβατικών και εξελιγμένων ακολουθιών ΑΜΣ. Αναφορικά με την ΑΜΣ μαστού, η ποιοτική εκτίμηση των απεικονιστικών φαινοτύπων ετερογένειας των αλλοιώσεων του μαστού στηρίζεται στο λεξικό ταξινόμησης Breast Imaging Reporting and Data System (BI-RADS), ενώ αντιστοίχως η ποσοτική εκτίμηση αυτών εκφράζεται με βιοδείκτες έντασης σήματος εικόνας, μορφολογίας και χαρακτηριστικών υφής. Από τη δεκαετία του 1980, οι αξιοσημείωτες εξελίξεις που αφορούν αλγορίθμους ανάλυσης, επιτρέπουν την εξαγωγή ποσοτικών απεικονιστικών βιοδεικτών/χαρακτηριστικών (μαθηματικοί περιγραφείς) για την αξιολόγηση των προτύπων ετερογένειας των διαβαθμίσεων του γκρι, που πιθανόν να υποδηλώνουν υποκείμενες βιολογικές διεργασίες. Ένα «νέο» γνωστικό αντικείμενο έχει προκύψει από τη συνέργεια της ποσοτικής απεικόνισης και της μηχανικής μάθησης, που είναι γνωστό ως ακτινομική. Η ακτινομική αναφέρεται στην αυτόματη εξαγωγή ενός μεγάλου αριθμού ποσοτικών βιοδεικτών/χαρακτηριστικών από ιατρικές εικόνες, τα οποία αναλύονται περαιτέρω στο πλαίσιο σχημάτων μηχανικής μάθησης.Προς αυτήν την κατεύθυνση, η παρούσα διδακτορική διατριβή αποσκοπεί στην ποσοτικοποίηση της απεικονιστικής ετερογένειας αλλοιώσεων του μαστού, λαμβάνοντας υπόψιν χαρακτηριστικά ιστογράμματος και υφής, στο πλαίσιο της ακτινομικής ανάλυσης, ως ένα υποβοηθητικό εργαλείο λήψης αποφάσεων στη διάγνωση καρκίνου του μαστού με πολυπαραμετρική ΑΜΣ. Συγκεκριμένα, στην προσπάθεια αντιμετώπισης των προκλήσεων που αφορούν στην αξιοποίηση των εξελιγμένων ακολουθιών ΑΜΣ 3.0Τ, διερευνήθηκαν δύο επιμέρους ειδικοί ερευνητικοί στόχοι. Αναγνωρίζοντας τις πολύτιμες ενδογενείς πληροφορίες που παρέχονται από εικόνες της ακολουθίας Απεικόνισης Σταθμισμένης Διάχυσης (ΑΣΔ) που λαμβάνονται χωρίς έγχυση σκιαγραφικής ουσίας στον ανθρώπινο οργανισμό, ο πρώτος ερευνητικός στόχος της παρούσας διατριβής, εστίασε σε μία αυτόνομη προσέγγιση της ΑΣΔ, υπό την έννοια του παραμετρικού χάρτη Φαινόμενου Συντελεστή Διάχυσης (ΦΣΔ), σε επίπεδο εικονοστοιχείου. Σύμφωνα με την τρέχουσα τεχνολογική στάθμη, η ποσοτική εκτίμηση της απεικονιστικής ετερογένειας των αλλοιώσεων του μαστού, μέσω της ακολουθίας ΑΣΔ για τη διάγνωση καρκίνου του μαστού, βασίζεται κυρίως σε χαρακτηριστικά ιστογράμματος, ενώ τα χαρακτηριστικά υφής δεν έχουν διερευνηθεί πλήρως. Συνεπώς, το κίνητρο για το πρώτο ερευνητικό στόχο, ήταν η διερεύνηση της αξίας των χαρακτηριστικών υφής, επιπροσθέτως των χαρακτηριστικών ιστογράμματος στην διάγνωση του καρκίνου του μαστού με ΑΣΔ. Η προσέγγιση εφαρμόσθηκε σε δείγμα 78 ιστολογικά επιβεβαιωμένων χωροκατακτητικών αλλοιώσεων του μαστού (40 καλοήθεις και 38 κακοήθεις αλλοιώσεις). Πρόκειται για δισδιάστατη ανάλυση βασισμένη στην ακτινομική, όπου η ροή εργασιών περιλαμβάνει αντιστοίχιση εικόνων εντός της ακολουθίας ΑΣΔ, ημι-αυτόματη τμηματοποίηση, επιλογή χαρακτηριστικών και ταξινόμηση. Ειδικότερα, αξιοποιήθηκε ένα εύκαμπτο σύστημα τριών κλιμάκων ανάλυσης για την αντιστοίχιση εικόνων ΑΣΔ με υψηλή τιμή του παράγοντα διάχυσης (b = 900 s/mm2) σε εικόνες ΑΣΔ χαμηλής τιμής (b = 0 s/mm2). Η τμηματοποίηση της Περιοχής Ενδιαφέροντος (ΠΕ) των αλλοιώσεων, πραγματοποιήθηκε σε εικόνες ΑΣΔ με υψηλή τιμή του παράγοντα διάχυσης b, χρησιμοποιώντας ημι-αυτόματο αλγόριθμο δύο βημάτων που περιελάβανε το βήμα της ασαφούς συσταδοποίησης (FCM), αλλά και βήμα βελτιστοποίησης του ορίου της αλλοίωσης.Κατόπιν δημιουργίας των παραμετρικών χαρτών ΦΣΔ, οι τμηματοποιημένες ΠΕ των αλλοιώσεων μαστού μεταφέρθηκαν στους χάρτες, για την εξαγωγή χαρακτηριστικών. Συνολικά 27 χαρακτηριστικά (11 ιστογράμματος και 16 υφής), εξήχθησαν από κάθε αλλοίωση. Ακολούθως χρησιμοποιήθηκε η μέθοδος βηματικής επιλογής χαρακτηριστικών, ενώ η διαχωριστική ικανότητα των χαρακτηριστικών εκτιμήθηκε μέσω μονομεταβλητής και πολυμεταβλητής επιβλεπόμενης ταξινόμησης Λογιστικής Παλινδρόμησης. Η ακρίβεια ταξινόμησης αξιολογήθηκε βάσει του εμβαδού της καμπύλης απόκρισης παρατηρητών (AUC). Τα αποτελέσματα παρουσιάζουν υψηλή ακρίβεια ταξινόμησης (AUC 0.965), η οποία επετεύχθη από ένα υποσύνολο επιλεγέντων χαρακτηριστικών που αποτελείται από το 25ο ποσοστιαίο σημείο ιστογράμματος και της εντροπίας μήτρας συνεμφάνισης διαβαθμίσεων του γκρι. Διάφοροι συνδυασμοί των απεικονιστικών προφίλ ετερογένειας αλλοιώσεων όπως αυτά προκύπτουν από διαφορετικές τεχνικές ΑΜΣ, όπως η Σταθμισμένη Τ2, η απεικόνιση Δυναμικής Ενίσχυσης Αντίθεσης (ΔΕΑ), τα φαρμακοκινητικά μοντέλα, η ΑΣΔ, ο χάρτης ΦΣΔ και η Απεικόνιση Διάχυσης Κύρτωσης, έχουν προταθεί πρόσφατα για τη διαφορική διάγνωση καρκίνου του μαστού. Ωστόσο, τέτοιου τύπου πολυπαραμετρικές προσεγγίσεις δεν μεταφράζονται εύκολα στην κλινική πράξη, καθώς κάποιες από τις προαναφερθείσες τεχνικές ΑΜΣ (φαρμακοκινητικά μοντέλα και η Απεικόνιση Διάχυσης Κύρτωσης) συναντώνται σπανίως στα περισσότερα ιατρικά απεικονιστικά ιδρύματα παγκοσμίως. Η ποσοτική ΑΜΣ, με αξιοποίηση της ακτινομικής (χαρακτηριστικά ιστογράμματος και υφής), σε κοινώς διαθέσιμα πρωτόκολλα λήψης εικόνων ΑΜΣ της κλινικής πράξης, που περιλαμβάνουν ακολουθίες Δυναμικής Ενίσχυσης Αντίθεσης και Σταθμισμένης Διάχυσης, δεν έχει διερευνηθεί πλήρως ως προς την πολυπαραμετρική ετερογένεια των αλλοιώσεων μαστού. Επιπρόσθετα, ελλείψει φαρμακοκονικητικών μοντέλων σε αυτά τα απεικονιστικά πρωτόκολλα ΑΜΣ, πληροφορίες εξάγονται ενσωματώνοντας τις εμπειρικές προσεγγίσεις μοντελοποίησης (εμπειρικοί παραμετρικοί χάρτες σε επίπεδο εικονοστοιχείου), από τις καμπύλες έντασης σήματος συναρτήσει του χρόνου. Ο δεύτερος ειδικός ερευνητικός στόχος της παρούσας διατριβής, αποσκοπεί στην πρόταση μίας περιεκτικής ροής εργασιών που βασίζεται σε χαρακτηριστικά ιστογράμματος και υφής, και επιτρέπει την εκτίμηση της ετερογένειας των αλλοιώσεων μαστού, τόσο από τις μεμονωμένες ακολουθίες ΔΕΑ, ΑΣΔ και τις παραμετρικές αναπαραστάσεις τους όσο και από το συνδυασμό τους (πολυπαραμετρικές αναπαραστάσεις ΑΜΣ), στην ταξινόμηση καλοήθων και κακοήθων αλλοιώσεων του μαστού. Η προσέγγιση εφαρμόσθηκε σε κλινικό δείγμα 85 ιστολογικά επιβεβαιωμένων χωροκατακτητικών αλλοιώσεων μαστού (41 καλοήθεις, 44 κακοήθεις). Η ροή εργασιών που αναπτύχθηκε αρχικά για τον πρώτο ειδικό ερευνητικό στόχο της διατριβής, χρησιμοποιήθηκε και στο δεύτερο, αλλά εμπλουτισμένη με βήματα προεπεξεργασίας όπως της αντιστοίχισης εικόνων της κάθε ακολουθίας αλλά και μεταξύ των ακολουθιών ΔΕΑ και ΑΣΔ, αλλά και με συστήματα μηχανικής μάθησης τόσο για την επιλογή των χαρακτηριστικών αλλά και για την ταξινόμηση (Λογιστική Παλινδρόμηση, Τυχαία Δάση, Μηχανές Διανυσμάτων Υποστήριξης) των αλλοιώσεων. Ειδικότερα, προκειμένου να διερευνηθούν οι ιδιότητες ετερογένειας αλλοιώσεων του μαστού σε όλες τις πολυπαραμετρικές αναπαραστάσεις ΑΜΣ σε ομόλογα σημεία εικόνων, κρίνεται αναγκαία η υιοθέτηση σχημάτων αντιστοίχισης εικόνων της κάθε ακολουθίας αλλά και μεταξύ των ακολουθιών ΔΕΑ και ΑΣΔ, επιτρέποντας την αυτούσια μεταφορά της τμηματοποιημένης ΠΕ κάθε αλλοίωσης. Συγκεκριμένα, χρησιμοποιήθηκαν εύκαμπτα συστήματα τεσσάρων κλιμάκων ανάλυσης για την αντιστοίχιση εικόνων, αποτελούμενα από τρία επίπεδα ομοπαράλληλων και ένα τελικό τέταρτο επίπεδο μετασχηματισμού πολυωνύμου 3ης τάξης. Στην αντιστοίχιση εικόνων εντός της ΔΕΑ ακολουθίας, όλες οι εικόνες/στιγμιότυπα της ακολουθίας ΔΕΑ αντιστοιχήθηκαν στο 2ο στιγμιότυπο, 2,8 λεπτά μετά την έγχυση σκιαγραφικής ουσίας (εικόνα αναφοράς). Ομοίως, στην αντιστοίχιση εικόνων μεταξύ των ακολουθιών ΔΕΑ και ΑΣΔ η εικόνα με χαμηλή τιμή του παράγοντα διάχυσης b αντιστοιχήθηκε επίσης στο 2ο στιγμιότυπο των 2,8 λεπτών μετά την έγχυση σκιαγραφικής ουσίας (εικόνα αναφοράς). Τέλος, στην αντιστοίχιση εικόνων εντός της ακολουθίας ΑΣΔ η εικόνα ΣΔ με υψηλή τιμή του παράγοντα διάχυσης, αντιστοιχήθηκε στην ήδη αντιστοιχηθήσα εικόνα με χαμηλή τιμή του παράγοντα διάχυσης b. Οι αλλοιώσεις μαστού τμηματοποιήθηκαν τόσο χειροκίνητα από ειδικό όσο και ημι-αυτόματα στο δυναμικό στιγμιότυπο των 2,8 λεπτών μετά την έγχυση σκιαγραφικής ουσίας (εικόνα αναφοράς). Οι χειροκίνητα τμηματοποιημένες ΠΕ αποτελούν τη τμηματοποίηση αναφοράς για την επικείμενη ανάλυση. Όπως και στο πρώτο ερευνητικό στόχο χρησιμοποιήθηκε ο ημι-αυτόματος αλγόριθμος τμηματοποίησης δύο βημάτων, που περιελάβανε το βήμα της ασαφούς συσταδοποίησης (FCM) αλλά και βήμα βελτιστοποίησης του ορίου της αλλοίωσης. Το αποτέλεσμα του βήματος της τμηματοποίησης, αναλύθηκε περαιτέρω στα πλαίσια της ακρίβειας αλληλοεπικάλυψης επιφανείας και της αναπαραξιμότητας. Οι τμηματοποιημένες ΠΕ των αλλοιώσεων μαστού μεταφέρθηκαν στους παραμετρικούς χάρτες της ακολουθίας ΔΕΑ και στο χάρτη ΦΣΔ, για την εξαγωγή χαρακτηριστικών. 27 χαρακτηριστικά (11 ιστογράμματος και 16 υφής) εξήχθησαν από κάθε αναπαράσταση ΑΜΣ, καταλήγοντας σε συνολικά 135 χαρακτηριστικά για κάθε αλλοίωση. Η μέθοδος επιλογής χαρακτηριστικών LASSO χρησιμοποιήθηκε σε αυτήν την προσέγγιση, ενώ η διαχωριστική ικανότητα των χαρακτηριστικών εκτιμήθηκε μέσω μονομεταβλητής και πολυμεταβλητής επιβλεπόμενης ταξινόμησης Λογιστικής Παλινδρόμησης, Τυχαίων Δασών και Μηχανών Διανυσμάτων Υποστήριξης. Η ακρίβεια ταξινόμησης αξιολογήθηκε βάσει του εμβαδού της καμπύλης απόκρισης παρατηρητών (AUC). Τα αποτελέσματα αναδεικνύουν τον κυρίαρχο ρόλο των αναπαραστάσεων της ακολουθίας ΔΕΑ στη διάγνωση καρκίνου του μαστού, ενώ συμπληρωματικές πληροφορίες παρέχονται με την προσθήκη της ΑΣΔ στην ανάλυση. Το πολυπαραμετρικό σχήμα ΑΜΣ, που αποτελείται από ένα υποσύνολο 7 επιλεγέντων χαρακτηριστικών, ποσοστιαίων σημείων ιστογράμματος και εντροπίας τόσο ιστογράμματος όσο και μήτρας συνεμφάνισης διαβαθμίσεων του γκρι, επέτυχε υψηλή ακρίβεια ταξινόμησης και για τους τρείς ταξινομητές που κυμαίνεται από 0,918 έως 0,984. Σύμφωνα με τα ανωτέρω αποτελέσματα ακτινομικής ανάλυσης η πολυπαραμετρική ΑΜΣ δύναται να συνεισφέρει στην ακρίβεια λήψης αποφάσεων στη διαχείριση καρκίνου του μαστού. Συμπερασματικά, και οι δύο προσεγγίσεις ακτινομικής που μελετήθηκαν στην παρούσα διατριβή, τόσο η πρώτη που αφορά ακολουθίες ΑΜΣ ελεύθερες σκιαγραφικού όσο και η πολυπαραμετρική ΑΜΣ, φαίνεται να ποσοτικοποιούν απεικονιστικούς φαινοτύπους ετερογένειας των αλλοιώσεων του μαστού με επάρκεια και ακρίβεια. Τα αποτελέσματα προτρέπουν τη χρήση σχημάτων μηχανικής μάθησης που αξιοποιούν χαρακτηριστικά ιστογράμματος και υφής σε συνδυασμό με αλγορίθμους ταξινόμησης, σε ευρέως χρησιμοποιούμενα πρωτόκολλα λήψης εικόνων ΑΜΣ, λειτουργώντας ως υποβοηθητικά εργαλεία έγκυρης διάγνωσης καρκίνου του μαστού.