Diseño de un sistema semiautomático de clasificación de Whole Side Images para la gradación del cáncer de próstata a partir de anotaciones no expertas y redes neuronales convolucionales

Abstract

[ES] El presente TFG pretende abordar el desarrollo de un algoritmo de clasificación capaz de catalogar de manera automática muestras histológicas de tejido prostático. El desarrollo de un sistema automático fiable necesita un gran número de anotaciones de expertos. Dado la elevada carga de trabajo de esta tarea y la escasez de recursos de patólogos expertos (en nuestro caso uropatólogos), surge la idea de desarrollar un modelo que obtenga un resultado más preciso sin necesidad de anotación de personal experto.

Así pues, el objetivo final es realizar una clasificación de los grados de cáncer según la escala Gleason en imágenes histopatológicas de próstata utilizando un modelo híbrido basado en redes neuronales convolucionales y anotaciones no expertas.

Con el fin de llevar a cabo este objetivo, se anotan por el no experto los cortes histológicos de tejido de próstata a partir de la literatura aprendida sobre la escala de Gleason, se utiliza una arquitectura VGG16 para desarrollar un modelo que permita realizar una clasificación de las muestras anotadas por un experto, y finalmente se combinan la anotación no experta y el modelo en la etapa de clasificación de la red neuronal convolucional para realizar una clasificación más precisa de las muestras anotadas.

Una vez entrenados ambos modelos, estos se evalúan utilizando el estadístico de kappa de cohen. Obteniendo como resultados un valor de 0,571 para el modelo que utiliza entradas anotadas únicamente por el experto, y un valor estadístico de kappa de cohen de 0,685l, al combinar las entradas anotadas por el experto con las anotadas por el no experto mediante el modelo híbrido. También se ha comparado el acuerdo entre los dos anotadores obteniendo un valor estadístico de kappa de cohen de 0,440.

Tras analizar los resultados, concluimos que la capacidad del no experto para detectar los patrones cancerosos según su grado de Gleason es limitada, sobre todo para el grado 4, pero aún así los resultados obtenidos tras la combinación de ambas anotaciones a la CNN ayudan a mejorar la precisión del método considerablemente. Por lo que, la aplicación del modelo híbrido es una posible solución para reducir la carga de trabajo de patólogos sin que la precisión del sistema se vea tan afectada como en literatura previa.

[EN] The present TFG aims to address the development of a classification algorithm capable of automatically cataloguing histological samples of prostatic tissue. The development of a reliable automatic system requires a large number of expert annotations. Given the high workload of this task and the scarcity of resources of expert pathologists (in our case uropathologists), the idea arises of developing a model that obtains a more precise result without the need for expert annotation.

Thus, the final objective is to perform a classification of cancer grades according to the Gleason scale in prostate histopathological images using a hybrid model based on convolutional neural networks and non-expert annotations.

In order to carry out this objective, histological sections of prostate tissue are annotated by the non-expert from the literature learned about the Gleason scale, a VGG16 architecture is used to develop a model that allows a classification of the annotated samples by an expert, and finally non-expert annotation and the model are combined in the classification stage of the convolutional neural network to make a more precise classification of the annotated samples.

Once both models have been trained by the non-expert annotator, they are evaluated using the kappa cohen statistic. The results are a value of 0.571 for the model that uses entries annotated only by the expert, and a statistical value of cohen kappa of 0.685l, when combining the entries annotated by the expert with those annotated by the non-expert using the hybrid model. The agreement between the two note-takers has also been compared, obtaining a statistical value of cohen kappa of 0.440.

After analyzing the results, we conclude that the ability of the non-expert to detect cancer patterns according to their Gleason grade is limited, especially for grade 4, but still the results obtained after combining both CNN annotations help to improve the accuracy of the method considerably. Therefore, the application of the hybrid model is a possible solution to reduce the workload of pathologists without affecting the accuracy of the system as much as in previous literature.