Diseño y desarrollo de un sistema automático de clasificación de estructuras glandulares en imágenes histológicas de próstata

Abstract

[ES] El presente TFM pretende abordar el desarrollo de un modelo de clasificación capaz de discriminar, de manera automática, las muestras histológicas de próstata de pacientes sanos con respecto a las de pacientes enfermos que presentan cáncer en una etapa temprana. El objetivo final es proporcionar un sistema de ayuda al diagnóstico que permita reducir la carga de trabajo, así como el nivel de subjetividad, de los médicos especialistas en anatomía patológica a la hora de analizar una determinada muestra biopsiada de la próstata. En primer lugar, se aplican técnicas de clustering con la finalidad de encontrar elementos de intere¿s a partir de los cuales identificar unidades de glándula. Para ello, se implementa un novedoso me¿todo de segmentación conocido como "Locally Constrained Watershed Transform (LCWT)", el cual genera a su salida tres tipos de objetos: artefactos, glándulas benignas o glándulas patológicas. En este punto se aplican, por un lado, técnicas de machine learning clásico y, por otro lado, técnicas de deep learning, para comparar los resultados proporcionados por ambas aproximaciones. En cuanto a la primera, para determinar la clase de cada elemento segmentado, se lleva a cabo una profunda extracción de características haciendo uso de descriptores de forma y de textura, en combinación con características contextuales y un análisis fractal. Se obtienen 297 características que son sometidas a un exhaustivo análisis estadístico para seleccionar únicamente aquellas que presentan información relevante, en términos de correlación entre variables y capacidad discriminatoria con respecto a la clase. A partir de las muestras disponibles procedentes de 25 pacientes (3.200 artefactos, 3.195 glándulas benignas y 3.000 glándulas patológicas) se implementa una rigurosa estrategia de partición de datos para garantizar la robustez de los modelos construidos, así como la fiabilidad de los resultados obtenidos. Una vez llevada a cabo la partición de datos, se aborda el problema de clasificación desde una perspectiva multiclase aplicando, por un lado, clasificadores lineales y no lineales de machine learning clásico (Support Vector Machine y Perceptrón Multicapa) y, por otro lado, redes neuronales convolucionales, propias del deep learning, basadas en la arquitectura VGG19. Los resultados obtenidos se comparan con los publicados por otros estudios del estado del arte con la intención de aportar nueva información de cara al cumplimiento del objetivo final, el cual reside en el desarrollo de un sistema de ayuda al diagnóstico precoz del cáncer de próstata.

[EN] This TFM pretends to address the development of a classification model capable of discriminating, automatically, the histological samples of prostate tissue from healthy patients regard to the samples of sick patients with cancer in an early stage. The final objective is to provide a computer aid-system that allows to reduce the workload, and the subjectivity level, when the pathologists analyse a certain sample of a prostate biopsy. First, clustering techniques are applied with the aim of identifying elements of interest, from which to detect the gland unit. The strategy consists of a novel method known as ¿Locally Constrained Watershed Transform (LCWT)¿ that provides three types of objects: artefacts, healthy glands and pathological glands. In this point, classic machine learning and deep learning techniques are applied in order to compare the classification carried out by both strategies. Regarding the first one, a feature extraction stage is implemented in order to determine the class for each object. Several shape and textural descriptors are used in combination with contextual features and fractal analysis to achieve a total of 297 features. Later, a feature selection step is carried out to consider only the relevant information in terms of the correlation between variables and discriminatory capability concerning the class. Once the samples corresponding to 25 different patients are avoided (3.200 artefacts, 3.195 healthy glands and 3.000 pathological glands) a careful strategy of data partition is implemented to ensure the model¿s robustness and the results reliability. Once de data is separated in different data sets, the classification problem is addressed by a multiclass approach applying, on the one hand, linear and non-linear machine learning techniques (Support Vector Machine and Multilayer Perceptron) and, on the other hand, convolutional neural networks based on the architecture known as ¿VGG19¿, which corresponds to a deep learning methods. The results obtained in this project are compared with other studies of the state of the art with the aim of providing new information in order to achieve the final objective, which consists of to develop a computer aid-system to early diagnosis of prostate cancer.

[CA] El present TFM pretén abordar el desenvolupament d'un model de classificació capaç de discriminar, de manera automàtica, les mostres histològiques de pròstata de pacients sans respecte de les de pacients malalts que presenten càncer en una etapa inicial. L'objectiu final és proporcionar un sistema d'ajuda al diagnòstic que permeta reduir la càrrega de treball, així com el nivell de subjectivitat, dels metges especialistes en anatomia patològica a l'hora d'analitzar una determinada mostra biopsiada de la pròstata. En primer lloc, s'apliquen tècniques de clustering amb la finalitat de trobar elements d'interés a partir dels quals s’identifiquen unitats de glàndula. Per això, s'implementa un nou mètode de segmentació conegut com “Locally Constrained Watershed Transform (LCWT)”, el qual genera a la seua eixida tres tipus d'objectes: artefactes, glàndules benignes o glàndules patològiques. En este punt s'apliquen, d'una banda, tècniques de machine learning clàssic i, d'altra banda, tècniques de deep learning, per a comparar els resultats proporcionats per ambdós aproximacions. Respecte a la primera, per a determinar la classe de cada objecte segmentat, es du a terme una profunda extracció de característiques fent ús de descriptors de forma i de textura, en combinació amb característiques contextuals i un anàlisi fractal. S'obtenen 297 característiques que són sotmeses a un exhaustiu anàlisi estadistic per a seleccionar únicament aquelles que presenten informació rellevant, en termes de correlació entre variables i capacitat discriminatòria respecte a la classe. A partir de les mostres disponibles procedents de 25 pacients (3.200 artefactes, 3.195 glàndules benignes i 3.000 glàndules patològiques) s'implementa una acurada estratègia de partició de dades per a garantir la robustesa dels models construïts, així com la fiabilitat dels resultats obtinguts. Una vegada realitzada la partició de dades, s'aborda el problema de classificació des d'una perspectiva multiclasse aplicant, d'una banda, tècniques lineals i no lineals de machine learning clàssic (Support Vector Machine i Multilayer Perceptron) i, d'altra banda, xarxes neuronals convolucionals, propi del deep learning, basades en l’arquitectura VGG19. Els resultats obtinguts es comparen amb els publicats per altres estudis de l'estat de l'art amb la intenció d'aportar nova informació de cara al compliment de l'objectiu final, el qual resideix en el desenvolupament d'un sistema d'ajuda al diagnòstic precoç del càncer de pròstata.