Mostrar el registro sencillo del ítem
dc.contributor.advisor | Moratal Pérez, David![]() |
es_ES |
dc.contributor.advisor | Piñeiro Vidal, Tania![]() |
es_ES |
dc.contributor.advisor | Ruiz España, Silvia![]() |
es_ES |
dc.contributor.author | Jaén Lorites, José Manuel![]() |
es_ES |
dc.date.accessioned | 2020-07-15T15:34:53Z | |
dc.date.available | 2020-07-15T15:34:53Z | |
dc.date.created | 2020-06-25 | |
dc.date.issued | 2020-07-15 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/148067 | |
dc.description.abstract | [ES] Hoy en día, el cáncer es una de las principales causas de muerte a escala mundial. En hombres, uno de los cánceres más frecuentes es el de próstata. En 2018 hubo más de 1 millón de muertes por cáncer de próstata, y se espera que para 2040 esta cifra sea superior a los 2 millones. Uno de los aspectos clave a la hora de tratar el cáncer de próstata, es la detección temprana, gracias a la cual se puede no solo salvar vidas, sino mejorar la calidad de vida de los pacientes. Para planear el tratamiento a seguir, se clasifica el tumor en función de sus características, con lo que se estima su malignidad. La clasificación PI-RADS v2, la cual se realiza a partir de imágenes de resonancia magnética (MRI), es una de las más usadas que no requieren procedimientos invasivos. Dicha clasificación va de 1 a 5, donde nos indica una muy baja o muy alta probabilidad de cáncer clínicamente significativo. En este trabajo se pretende, a partir de MRI potenciadas en T2, en difusión (DWI), y mapas ADC, realizar un estudio con un enfoque radiómico con el fin de encontrar biomarcadores objetivos capaces de clasificar correctamente lesiones de próstata en PI-RADS 2 (clase 1), 3 (clase 2) y 4 y 5 (clase 3). Para ello, se estudian 97 casos, siendo 27 de clase 1, 37 de clase 2 y 33 de clase 3. Tras obtener una segmentación de las lesiones, se extraen 3 características de texturas globales, y 40 por nivel de gris. Estos niveles de gris hacen referencia a la cuantización realizada previa a la extracción de características. Dado que se utilizan 5 niveles de gris (16, 32, 64, 128 y 256), se obtienen un total de 203 características de texturas. Este número se multiplica por las tres series de imágenes diferentes con las que se cuenta. Debido a características de las muestras de la serie DWI, se estudia la existencia de diferencias en los valores, no relacionadas con la clasificación a estudiar, que pueden comprometer los resultados. Se demuestra que sí hay diferencias estadísticamente significativas en función del valor de b, parámetro de la serie DWI. Debido a estos resultados, se realiza un estudio de las texturas, excluyendo la serie DWI. En este estudio se utilizan modelos basados en aprendizaje automático para realizar la clasificación de las lesiones de próstata. Se realiza posteriormente, debido al reducido número de muestras con un valor de b distinto en la serie DWI, un segundo estudio sin dichas muestras, con el objetivo de incluir la información que proporciona la serie DWI. Finalmente, se realiza un tercer estudio con todas las muestras, excluyendo aquellas variables de DWI en las que se ha encontrado que existen diferencias en función del valor de b. Se obtienen resultados de AUC > 0.7 en los tres estudios, llegando a resultados de AUC > 0.75 en el tercer estudio. Se encuentra también que los modelos confunden en gran medida la clase 2, lo cual puede deberse a la subjetividad que presenta dicha clase. Con los resultados obtenidos, podemos afirmar que la metodología seguida puede proporcionar biomarcadores útiles para ayudar a la hora de clasificar lesiones de próstata | es_ES |
dc.description.abstract | [EN] Today, cancer is one of the leading causes of death worldwide. In men, one of the most common cancers is prostate cancer. In 2018 there were more than 1 million deaths from prostate cancer, and by 2040 this figure is expected to exceed 2 million. One of the key aspects of treating prostate cancer is early detection, which can not only save lives but also improve the quality of life of patients. In order to plan the treatment to be followed, the tumor is classified according to its characteristics, thus estimating its malignancy. The PI-RADS v2 classification, which is made from magnetic resonance imaging (MRI), is one of the most used that does not require invasive procedures. This classification ranges from 1 to 5, where it indicates a very low or very high probability of clinically significant cancer. This study aims to use T2-enhanced and diffusion enhanced (DWI) MRI and ADC maps to conduct a study using a radiomic approach to find objective biomarkers capable of correctly classifying prostate lesions in PI-RADS 2 (class 1), 3 (class 2) and 4 and 5 (class 3). To this end, 97 cases were studied, 27 of them in class 1, 37 in class 2 and 33 in class 3. After obtaining a segmentation of the lesions, 3 characteristics of global textures are extracted, and 40 by grey level. These grey levels refer to the quantization carried out before the extraction of characteristics. Since 5 grey levels are used (16, 32, 64, 128 and 256), a total of 203 texture characteristics are obtained. This number is multiplied by the three different image series available. Due to the characteristics of the DWI series samples, we study the existence of differences in the values, not related to the classification to be studied, which can compromise the results. It is demonstrated that there are statistically significant differences depending on the value of b, a parameter of the DWI series. Due to these results, a study of the textures is carried out, excluding the DWI series. In this study, models based on automatic learning are used to classify prostate lesions. Due to the small number of samples with a different b-value in the DWI series, a second study without such samples is performed to include the information provided by the DWI series. Finally, a third study is carried out with all the samples, excluding those DWI variables in which it has been found that differences are depending on the value of b. Results of AUC > 0.7 are obtained in the three studies, reaching results of AUC > 0.75 in the third study. It was also found that the models largely confuse class 2, which may be due to the subjectivity presented by this class. With the results obtained, we can affirm that the methodology followed can provide useful biomarkers to help in the classification of prostate lesions. | es_ES |
dc.description.abstract | [CAT/VA] Hui dia, el càncer és una de les principals causes de mort a escala mundial. En homes, un dels càncers més freqüents és el de pròstata. En 2018 va haver-hi més d'1 milió de morts per càncer de pròstata, i s'espera que per a 2040 aquesta xifra siga superior als 2 milions. Un dels aspectes clau a l'hora de tractar el càncer de pròstata, és la detecció primerenca, gràcies a la qual es pot no sols salvar vides, sinó millorar la qualitat de vida dels pacients. Per a planejar el tractament a seguir, es classifica el tumor en funció de les seues característiques, amb el que s'estima la seua malignitat. La classificació PI-RADS v2, la qual es realitza a partir d'imatges de ressonància magnètica (MRI), és una de les més usades que no requereixen procediments invasius. Aquesta classificació va d'1 a 5, on ens indica una molt baixa o molt alta probabilitat de càncer clínicament significatiu. En aquest treball es pretén, a partir de MRI potenciades en T2, en difusió (DWI), i mapes ADC, realitzar un estudi amb un enfocament radiòmic amb la finalitat de trobar biomarcadors objectius capaços de classificar correctament lesions de pròstata en PI-RADS 2 (classe 1), 3 (classe 2) i 4 i 5 (classe 3). Per a això, s'estudien 97 casos, sent 27 de classe 1, 37 de classe 2 i 33 de classe 3. Després d'obtindre una segmentació de les lesions, s'extrauen 3 característiques de textures globals, i 40 per nivell de gris. Aquests nivells de gris fan referència a la quantització realitzada prèvia a l'extracció de característiques. Atés que s'utilitzen 5 nivells de gris (16, 32, 64, 128 i 256), s'obtenen un total de 203 característiques de textures. Aquest número es multiplica per les tres sèries d'imatges diferents amb les quals es compta. A causa de característiques de les mostres de la sèrie DWI, s'estudia l'existència de diferències en els valors, no relacionades amb la classificació a estudiar, que poden comprometre els resultats. Es demostra que sí que hi ha diferències estadísticament significatives en funció del valor de b, paràmetre de la sèrie DWI. A causa d'aquests resultats, es realitza un estudi de les textures, excloent la sèrie DWI. En aquest estudi s'utilitzen models basats en aprenentatge automàtic per a realitzar la classificació de les lesions de pròstata. Es realitza posteriorment, a causa del reduït nombre de mostres amb un valor de b diferent en la sèrie DWI, un segon estudi sense aquestes mostres, amb l'objectiu d'incloure la informació que proporciona la sèrie DWI. Finalment, es realitza un tercer estudi amb totes les mostres, excloent aquelles variables de DWI en les quals s'ha trobat que existeixen diferències en funció del valor de b. S'obtenen resultats de AUC > 0.7 en els tres estudis, arribant a resultats de AUC > 0.75 en el tercer estudi. Es troba també que els models confonen en gran manera la classe 2, la qual cosa pot deure's a la subjectivitat que presenta aquesta classe. Amb els resultats obtinguts, podem afirmar que la metodologia seguida pot proporcionar biomarcadors útils per a ajudar a l'hora de classificar lesions de pròstata. | es_ES |
dc.format.extent | 95 | es_ES |
dc.language | Catalán | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) | es_ES |
dc.subject | Càncer | es_ES |
dc.subject | Pròstata | es_ES |
dc.subject | Classificador | es_ES |
dc.subject | Aprenentatge supervisat | es_ES |
dc.subject | Anàlisi de textures | es_ES |
dc.subject | RADIOMICS | es_ES |
dc.subject | MRI | es_ES |
dc.subject | DWI | es_ES |
dc.subject | ADC. | es_ES |
dc.subject | Cancer | es_ES |
dc.subject | Prostate | es_ES |
dc.subject | Classifier | es_ES |
dc.subject | Supervised learning | es_ES |
dc.subject | Texture analysis | es_ES |
dc.subject.classification | TECNOLOGIA ELECTRONICA | es_ES |
dc.subject.other | Grado en Ingeniería Biomédica-Grau en Enginyeria Biomèdica | es_ES |
dc.title | Diseño de una aproximación basada en radiómica para una clasificación de tumores de próstata mediante análisis de texturas en imágenes de resonancia magnética | es_ES |
dc.type | Proyecto/Trabajo fin de carrera/grado | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Ingeniería Electrónica - Departament d'Enginyeria Electrònica | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Escuela Técnica Superior de Ingenieros Industriales - Escola Tècnica Superior d'Enginyers Industrials | es_ES |
dc.description.bibliographicCitation | Jaén Lorites, JM. (2020). Diseño de una aproximación basada en radiómica para una clasificación de tumores de próstata mediante análisis de texturas en imágenes de resonancia magnética. http://hdl.handle.net/10251/148067 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\127951 | es_ES |