Desarrollo de un sistema de extracción local de características en imagen histológica para la identificación automática de cáncer de próstata

Abstract

[ES] El presente trabajo tiene como objetivo el desarrollo de un algoritmo automático para la clasificación de imágenes histológicas de próstata que sea capaz de distinguir entre tejido sano y tejido patológico de grado 3 en la escala de Gleason. Dicho TFG se enmarca en un proyecto de ámbito nacional denominado SICAP, cuyo propósito es proporcionar una herramienta de ayuda al profesional sanitario para el diagnóstico precoz del cáncer de próstata. Para conseguir el objetivo del trabajo se propone una metodología que comienza por el acondicionamiento y preprocesado de las sesenta imágenes que conforman la base de datos proporcionada por el Hospital Clínico de Valencia. Tras este primer paso, se lleva a cabo una etapa de extracción de características, empleando descriptores de imagen que sean capaces de extraer la información relevante de la misma, sin necesidad de segmentar las distintas partes del tejido. Concretamente, los clasificadores empleados son filtros de Gabor, matrices de coocurrencia y granulometría. Tras la obtención de características, se realiza un análisis estadístico que acabe por descartar aquellas que no aportan información útil para la clasificación. En última instancia, dicha información se emplea para entrenar modelos predictivos empleando diversos algoritmos de aprendizaje automático. Los modelos resultantes son evaluados y comparados entre sí con el objetivo de establecer cuál de ellos presenta mayor precisión y robustez en la clasificación del problema bajo estudio. Los resultados de la metodología propuesta se detallan y se discuten realizando además una comparación de estos con los obtenidos mediante otras metodologías presentes en el estado del arte. Tras analizar las fortalezas y debilidades del algoritmo propuesto, se exponen algunas mejoras y líneas futuras de investigación.

[CA] El present treball té com a objectiu el desenvolupament d’un algoritme automàtic per a la classificació d’imatges histològiques de pròstata que siga capaç de diferenciar entre teixit sa i teixit patològic de grau 3 en l’escala de Gleason. Aquest TFG s’emmarca en un projecte d’àmbit nacional denominat SICAP, el propòsit del qual és proporcionar una ferramenta d’ajuda al professional sanitari per al diagnòstic precoç del càncer de pròstata. Per a aconseguir l’objectiu del treball es proposa una metodologia que comença pel acondicionament i preprocessat de les seixanta imatges que conformen la base de dades proporcionada per l’Hospital Clínic de València. Després d’este primer pas, es du a terme una etapa d’extracció de característiques, emprant descriptors d’imatge que siguen capaços d’extraure la informació rellevant de la mateixa, sense necessitat de segmentar les distintes parts del teixit. Concretament, els classificadors empleats són filtres de Gabor, matrius de coocurrencia i granulometria. Després de l’obtenció de característiques, es realitza una anàlisi estadística que acabe per descartar aquelles que no aporten informació útil per a la classificació. En última instància, la informació s’empra per a entrenar models predictius emprant diversos algoritmes d’aprenentatge automàtic. Els models resultants són avaluats i comparats entre si amb l’objectiu d’establir quin d’ells presenta més precisió i robustesa en la classificació del problema baix estudi. Els resultats de la metodologia proposada es detallen i es discutixen realitzant a més una comparació d’estos amb els obtinguts per mitjà d’altres metodologies presents en l’estat de l’art. Després d’analitzar les fortaleses i debilitats de l’algoritme proposat, s’exposen algunes millores i línies futures d’investigació.

[EN] The aim of this TFG is to develop an automatic algorithm for the classification of prostate histological images that is able to distinguish between healthy tissue and pathological tissue of grade 3 on the Gleason scale. This TFG is part of a national project called SICAP, whose purpose is to provide a tool to help the health professionals for the early diagnosis of prostate cancer. To achieve the objective of the work we propose a methodology that begins with the conditioning and preprocessing of the sixty images that makes up the database provided by the Hospital Clínico de Valencia. After this first step, a characteristic extraction stage is carried out, using image descriptors that are capable of extracting the relevant information from it, without the need to segment the different parts of the tissue. Specifically, the classifiers used are Gabor filters, co-occurrence matrices and granulometry. After obtaining characteristics, a statistical analysis that ends up discarding those that do not provide useful information for the classification is carried out. Ultimately, this information is used to train predictive models using various machine learning algorithms. The resulting models are evaluated and compared with each other in order to establish which of them presents greater precision and robustness in the classification of the problem under study. The results of the proposed methodology are detailed and discussed, making a comparison of these with those obtained by other methodologies present in the state of the art. After analyzing the strengths and weaknesses of the proposed algorithm, some improvements and future lines of research are exposed.