000131646 001__ 131646
000131646 005__ 20240216124927.0
000131646 037__ $$aTESIS-2024-049
000131646 041__ $$aeng
000131646 1001_ $$aSainz De Mena, Diego
000131646 24500 $$aNew tools and methods to inform patient-specific cancer models
000131646 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2023
000131646 300__ $$a142
000131646 4900_ $$aTesis de la Universidad de Zaragoza$$v2024-46$$x2254-7606
000131646 500__ $$aPresentado:  25 09 2023
000131646 502__ $$aTesis-Univ. Zaragoza,  , 2023$$bZaragoza, Universidad de Zaragoza$$c2023
000131646 506__ $$aby-nc$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc/3.0/es
000131646 520__ $$aEl cáncer es un importante desafío global en salud que requiere el desarrollo de herramientas innovadoras para entender mejor esta enfermedad y mejorar los tratamientos. El modelado de paciente-específico es una de las herramientas clave en esta tarea. El campo de la medicina in silico es una de las grandes promesas para predecir la progresión del cáncer en cada paciente, la respuesta al tratamiento y el<br />pronóstico de la enfermedad. Sin embargo, el desarrollo de modelos de paciente-específico necesita de datos precisos y un proceso eficiente y simplificado para incluir los datos obtenidos de imagen médica en estos modelos.<br />Esta tesis presenta varias aportaciones que contribuyen al desarrollo de modelos de paciente-específico aplicados al cáncer. En primer lugar, se presenta un nuevo modelo farmacocinético que incorpora el proceso de difusión del agente de contraste y permite extraer datos de la vascularización de los tumores más precisos a partir de las secuencias de resonancia magnética dinámica con contraste (DCE, por sus siglas en inglés). Se proponen dos nuevos métodos para ajustar este modelo a los datos adquiridos. El primero de ellos se basa en el método del gradiente y utiliza el método de los elementos finitos para calcular dicho gradiente de manera semianalítica, lo que reduce significativamente el coste computacional del algoritmo. El método alternativo propuesto utiliza redes neuronales informadas por la física (PINNs, por sus siglas en inglés) para superar las limitaciones del método anterior y mejorar la precisión de los parámetros obtenidos con el modelo.<br />Además del modelo y los algoritmos de ajuste mencionados anteriormente, esta tesis también incluye el desarrollo de una biblioteca en Python diseñada para automatizar la generación de datos de entrada para modelos de paciente-específico.<br />En esta biblioteca se ha desarrollado un flujo de trabajo simplificado que reduce significativamente el trabajo manual necesario para crear este tipo de modelos. El objetivo de esta biblioteca es que los investigadores cuenten con un medio sencillo y eficiente para generar los datos de entrada necesarios para sus modelos, facilitando así la creación y desarrollo de nuevas metodologías.<br />En resumen, esta tesis contribuye al avance del modelado de paciente-específico en el campo del cáncer mediante la introducción de nuevas herramientas y métodos usados en el desarrollo de estos modelos. El modelo farmacocinético propuesto y los métodos de ajuste implementados permiten la extracción de datos más precisos de secuencias de resonancia magnética dinámica con contraste.<br />Además, la biblioteca de Python desarrollada agiliza y automatiza la creación de estos modelos. En conjunto, estas contribuciones ofrecen nuevos recursos más eficientes para el campo de la medicina in silico y contribuyen a mejorar y acelerar los esfuerzos de investigación del cáncer.<br />
000131646 520__ $$aCancer is a major global health challenge that requires the development of innovative tools to improve our understanding and treatment of the disease. Patientspecific modeling has emerged as one of the key techniques in this quest. The field of in silico medicine holds great promise for predicting patient-specific cancer progression, treatment response and overall prognosis. However, the development of accurate patient-specific models requires the availability of precise data and an efficient, streamlined process for transforming image data into these models.  This dissertation presents several contributions that improve patient-specific cancer modeling. Primarily, a novel pharmacokinetic model is presented that effectively incorporates diffusion phenomena and allows for the extraction of more accurate data from dynamic contrast-enhanced magnetic resonance sequences. Two innovative methods are proposed to fit this model to the acquired data. The first method, a gradient-based approach, uses the Finite Element Method to compute the gradient semi-analytically, significantly reducing the computational cost compared to other approaches. The proposed alternative method employs Physics Informed Neural Networks to overcome the limitations of the previous method and improve the accuracy of the retrieved parameters. In addition to the aforementioned model and fitting methods, this research also includes the development of a comprehensive Python library specifically designed to automate the generation of input data for patient-specific models. This library introduces a streamlined workflow that significantly reduces the manual effort required to create patient-specific models from imaging data. By using this Python library, researchers are provided with a straightforward and efficient means of generating the necessary input data, thereby accelerating the modeling process. In summary, this dissertation provides a significant contribution to the advancement of patient-specific cancer modeling through the introduction of novel tools and methods. The proposed pharmacokinetic model and fitting methods serve as key components in this effort, enabling the extraction of more precise data from dynamic contrast-enhanced magnetic resonance imaging sequences. In addition, the development of a dedicated Python library streamlines and automates the creation of patient-specific input models, simplifying the overall process. Taken together, these contributions provide valuable resources for the field of in silico medicine and can help accelerate cancer research efforts.<br />
000131646 521__ $$97098$$aPrograma de Doctorado en Ingeniería Biomédica
000131646 6531_ $$atecnología médica
000131646 700__ $$aGarcía Aznar, José Manuel$$edir.
000131646 700__ $$aPérez Ansón, María Ángeles$$edir.
000131646 7102_ $$aUniversidad de Zaragoza$$b 
000131646 830__ $$9510
000131646 8560_ $$fcdeurop@unizar.es
000131646 8564_ $$s1894669$$uhttps://zaguan.unizar.es/record/131646/files/TESIS-2024-049.pdf$$zTexto completo (eng)
000131646 909CO $$ooai:zaguan.unizar.es:131646$$pdriver
000131646 909co $$ptesis
000131646 9102_ $$aIngeniería y Arquitectura$$b 
000131646 980__ $$aTESIS