Diseño y desarrollo de un sistema automático de segmentación de glándulas histológicas para identificar el cáncer de próstata en una etapa inicial

Abstract

[ES] El presente trabajo fin de máster pretende abordar una de las fases intermedias de un proyecto nacional de mayor embergadura cuyo último objetivo es proporcionar una herramienta a los especialistas en anatomía patológica que actúe a modo de sistema de ayuda para el diagnóstico temprano del cáncer de próstata. En este TFM se lleva a cabo el diseño y desarrollo de un método de segmentación automática de glándulas de próstata mediante técnicas de deep learning.

Para conseguir el objetivo propuesto, se lleva a cabo una exhaustiva revisión del estado del arte y se desarrolla un método que permite realizar una segmentación glandular basada en arquitecturas encoder-decoder con neuronas convolucionales. La arquitectura diseñada permite a partir de la imagen completa obtener un mapa de probabilidad del mismo tamaño donde las glándulas se encuentran marcadas. Para el desarrollo del algoritmo de segmentación se ha contado con un total de 29 pacientes que aportan imágenes tanto de tejido sano como de tejido patológico de grado 3.

A fin de llevar a cabo el entrenamiento del modelo propuesto se ha implementado un enfoque supervisado y, para ello, se ha realizado una segmentación manual en la que se han generado las etiquetas correspondientes a cada píxel. Además, se ha desarrollado una partición de los datos y un balanceo con la finalidad de obtener resultados fiables y dar robustez al modelo propuesto.

Finalmente, los resultados obtenidos se han comparado con la segmentación manual realizada y se han calculado métricas que permiten evaluar la bondad del método propuesto. Asimismo, estos indicadores se han comparado en la medida de lo posible con los estudios del estado del arte. En conclusión, se ha obtenido un modelo de segmentación automática de estructuras glandulares muy prometedor.

[EN] The current master’s thesis aims to approach one of the intermediate phases of a larger national project whose ultimate goal is to provide a tool for pathology specialists that acts as an aid system for the early diagnosis of prostate cancer. In this thesis, the design and development of an automatic segmentation method of prostate glands is carried out using deep learning techniques. To achieve the proposed objective, a thorough review of the state of the art is accomplished and a method that allows glandular segmentation based on encoder-decoder architectures with convolutional neurons is developed. The designed architecture allows, from the complete image, to obtain a probability map of the same size where the glands are marked. For the development of the segmentation algorithm, a total of 29 patients who provide images of both healthy tissue and grade 3 pathological tissue were available. In order to carry out the training of the proposed model, a supervised approach has been implemented and, to this end, it is necessary to do a manual segmentation in which the labels corresponding to each pixel have been generated. In addition, a data splitting and balancing has been developed in order to obtain reliable results and provide robustness to the proposed model. Finally, the results obtained have been compared with the manual segmentation performed and metrics that allow to evaluate the goodness of the proposed method have been calculated. Likewise, these indicators have been compared as far as possible with studies of the state of the art. In conclusion, a very promising automatic segmentation model of glandular structures has been obtained.