Diseño de una segmentación automática de gliomas en imágenes de resonancia magnética multimodal con redes neurales convolucionales profundas

Abstract

[ES] Los tumores cerebrales son una de las neoplasias que más afectan a la población a nivel mundial. Estos suponen graves consecuencias para la salud del paciente, así como en el aspecto social y económico. De entre todos los tipos de tumores cerebrales, los gliomas suponen la mayor parte de los mismos y son habitualmente clasificados en Glioma de Alto Grado (HGG) y Glioma de Bajo Grado (LGG). A pesar de los grandes avances médicos y tecnológicos, el diagnóstico y pronóstico de estos tumores continua siendo pobre, especialmente en los HGG, para los que la esperanza de vida es inferior a los dos años y cuyo tratamiento, extremadamente agresivo, puede causar severos problemas al paciente. El diagnóstico de estas patologías ha mejorado notablemente gracias a la introducción en la práctica clínica de la Imagen por Resonancia Magnética (IRM) junto a algoritmos y sistemas de ayuda al diagnóstico que están demostrando un gran potencial, no solo para mejorar este, sino también el tratamiento de este tipo de enfermedades. Este es el caso de la segmentación de tumores cerebrales, donde las Redes Neuronales Convolucionales (CNN) han demostrado la capacidad de obtener resultados a la altura de los logrados por radiólogos expertos, tarea que anteriormente no podía ser introducida en la práctica clínica debido al tiempo que esta requería, difícilmente disponible por parte del facultativo. El presente proyecto aborda el desarrollo e implementación de distintas metodologías basadas en el uso de CNN para la automatización de la tarea de segmentación de gliomas y de sus distintas componentes tumorales, clasificadas en Núcleo tumoral Sin Realce de contraste (NSR), Edema Peritumoral (EP) y Núcleo tumoral con Realce de contraste (NR). Para ello se hizo uso del conjunto de datos del BRAin Tumor Segmentation (BRATS) 2017, constituido por un total de 285 estudios de IRM de HGG y LGG, los cuales incluían secuencias potenciadas en T1, previo a la administración de un agente de contraste y posterior a la misma, y T2, con y sin Atenuación de FLuidos por Inversión Recuperación (FLAIR). Los resultados obtenidos fueron analizados mediante la plataforma proporcionada por la organización del BRATS y comparados con los resultados reportados en el estado del arte. De este modo, mediante el uso de una red U-Net se logró un DICE medio de 0.7331, 0.8624 y 0.7267, para el NR, tumor total y núcleo túmoral, respectívamente. Así, la inclusión de este tipo de metodologías favorece tanto al paciente como al facultativo posibilitando la realización de diagnósticos cuantitativos más precisos.

[CA] Els tumors cerebrals són una de les neoplàsies que més afecten la població a nivell mundial. Estos suposen greus conseqüències per a la salut del pacient, així com en l’aspecte social i econòmic. D’entre tots els tipus de tumors cerebrals, els gliomes suposen la major part dels mateixos i són habitualment classificats en Glioma d’Alt Grau (HGG) i Glioma de Baix Grau (LGG). A pesar dels grans avanços mèdics i tecnològics, el diagnòstic i pronòstic d’estos tumors contínua sent pobre, especialment en els HGG, per als que l’esperança de vida és inferior als dos anys i el tractament dels quals, extremadament agressiu, pot causar severs problemes al pacient. El diagnòstic d’estes patologies ha millorat notablement gràcies a la introducció en la pràctica clínica de la Imatge per Ressonància Magnètica (IRM) junt amb algoritmes i sistemes d’ajuda al diagnòstic que estan demostrant un gran potencial, no sols per a millorar este, sinó també el tractament d’este tipus de malalties. Este és el cas de la segmentació de tumors cerebrals, on les Xarxes Neuronals Convolucionales (CNN) han demostrat la capacitat d’obtindre resultats a l’altura dels aconseguits per radiòlegs experts, tasca que anteriorment no podia ser introduïda en la pràctica clínica a causa del temps que esta requeria, difícilment disponible per part del facultatiu. El present projecte aborda el desenrotllament i implementació de distintes metodologies basades en l’ús de CNN per a l’automatització de la tasca de segmentació de gliomes i dels seus distintes components tumorals, classificades en Nucli tumoral Sense Realç de contrast (NSR), Edema Peritumoral (EP) i Nucli tumoral amb Realç de contrast (NR). Per a això es va fer ús del conjunt de dades del BRAin Tumor Segmentation (BRATS) 2017, constituït per un total de 285 estudis d’IRM de HGG i LGG, els quals incloïen seqüències potenciades en T1, previ a l’administració d’un agent de contrast i posterior a la mateixa, i T2, amb i sense Atenuació de FLuids per Inversió Recuperació (FLAIR). Els resultats obtinguts van ser analitzats per mitjà de la plataforma proporcionada per l’organització del BRATS i comparats amb els resultats reportats en l’estat de l’art. D’esta manera, per mitjà de l’ús d’una xarxa U-Net es va aconseguir un DICE mig de 0.7331, 0.8624 i 0.7267, per al NR, tumor total i nucli tumoral, respectívamente. Així, la inclusió d’este tipus de metodologies afavorix tant el pacient com al facultatiu possibilitant la realització de diagnòstics quantitatius més precisos.

[EN] Brain tumors are one of the neoplasms that most affect the population worldwide. These suppose serious consequences for the health of the patient, as well as in the social and economic aspect. Among all types of brain tumors, gliomas suppose most of them and are usually classified into High Grade Glioma (HGG) and Low Grade Glioma (LGG). Despite the great medical and technological advances, the diagnosis and prognosis of these tumors continues to be poor, especially in HGG, for which the life expectancy is less than two years and whose treatment, extremely aggressive, can cause severe problems to the patient. The diagnosis of these pathologies has improved markedly thanks to the introduction into clinical practice of Magnetic Resonance Imaging (MRI) along with algorithms and diagnostic aid systems that are demonstrating great potential, not only to improve this, but also the treatment of this type of diseases. This is the case of the segmentation of brain tumors, where the Convolutional Neural Networks (CNN) have demonstrated the ability to obtain results at the height of those achieved by expert radiologists, a task that previously could not be introduced in clinical practice due to the time that this required, hardly available by the doctor. The present project addresses the development and implementation of different methodologies based on the use of CNN for the automation of the task of segmentation of gliomas and their different tumor components, classified as non-enhancing tumor (NSR), peritumoral edema (EP) and enhancing tumor (NR). To this end, the data set of the BRAin Tumor Segmentation (BRATS) 2017 was used, consisting of a total of 285 MRI studies of HGG and LGG, which included T1- weighted sequences, prior to the administration of a contrast agent and subsequent to it, and T2, with and without Fluid Attenuation by Inversion Recovery (FLAIR). The results obtained were analyzed through the platform provided by the BRATS organization and compared with the results reported in the state of the art. In this way, through the use of a U-Net network, an average DICE of 0.7331, 0.8624 and 0.7267 was achieved for the NR, whole tumor and tumor core, respectively. Thus, the inclusion of this type of methodologies favors both the patient and the physician, making it possible to carry out more precise quantitative diagnoses.