Diseño y desarrollo de un sistema automático basado en algoritmos de "deep learning" para identificar distintos grados de tumor "budding" en cáncer de vejiga

Abstract

[ES] El patrón de crecimiento tumor budding (TB) es una característica histológica que, por medio de una transición epitelio mesénquima en el frente tumoral, le confiere una alta agresividad y la gran capacidad de invadir tejidos y de provocar metástasis, dando lugar a un mal pronóstico del cáncer. Este patrón ha demostrado ser importante en los modelos tumorales más incidentes. En el presente trabajo, se pretenden aplicar las técnicas de deep learning para diseñar y desarrollar algoritmos que sean capaces de detectar automáticamente los principales patrones de crecimiento en el cáncer de vejiga a partir una imagen histológica. Dichos patrones están ligados al grado de malignidad del tumor, por lo tanto, el principal propósito del proyecto es proporcionar a los expertos una herramienta que ayude a obtener un diagnóstico seguro mediante la clasificación automática del tumor. En cuanto a la metodología empleada para la tesis, se desarrollan varias funciones para llevar a cabo el preprocesado de la base de datos con el fin de conseguir una base de datos acondicionada para los modelos. Posteriormente, se aplican algoritmos, tanto supervisados como no supervisados, que sean capaces de clasificar la presencia del cáncer y, además, diagnosticar la agresividad. Finalmente, con la totalidad de los resultados conseguidos, se evalúa su funcionalidad mediante análisis cualitativos y cuantitativos de los modelos, y se realiza una comparación entre los diferentes resultados y modelos implementados.

[CA] El patró de creixement tumor budding (TB) és una característica histològica que, per mitjà d’una transició epiteli mesènquima en el front tumoral, li confereix una alta agressivitat i la gran capacitat d’envair teixits i de provocar metàstasis, donant lloc a un mal pronòstic del càncer. Aquest patró ha demostrat ser important en els models tumorals més incidents. En el present treball, es pretenen aplicar les tècniques de deep learning per a dissenyar i desenvolupar algorismes que siguen capaços de detectar automàticament els principals patrons de creixement en el càncer de bufeta a partir una imatge histològica. Aquests patrons estan lligats al grau de malignitat del tumor, per tant, el principal propòsit del projecte és proporcionar als experts una eina que ajude a obtindre un diagnòstic segur mitjançant la classificació automàtica del tumor. Quant a la metodologia emprada per a la tesi, es desenvolupen diverses funcions per a dur a terme el preprocessat de la base de dades amb la finalitat d’aconseguir una base de dades condicionada per als models. Posteriorment, s’apliquen algorismes, tant supervisats com no supervisats, que siguen capaços de classificar la presència del càncer i, a més, diagnosticar l’agressivitat. Finalment, amb la totalitat dels resultats aconseguits, s’avalua la seua funcionalitat mitjançant anàlisis qualitatives i quantitatives dels models, i es realitza una comparació entre els diferents resultats i models implementats.

[EN] The growth pattern of tumor budding (TB) is a histologic characteristic that, by means of a mesenchyme epithelium transition in the tumor front, confers a higher aggressiveness and the great ability to invade tissues and cause metastasis, leading to a poor prognosis of cancer. This pattern has been shown to be important in the most incident tumor models. In this paper, it is intended to apply deep learning techniques to design and develop algorithms that are able to automatically detect the main growth patterns in bladder cancer from a histological image. These patterns are linked to the degree of malignancy of the tumor, so the main purpose of the project is to provide experts with a tool to help obtain a safe diagnosis by automatically classifying the tumor. Regarding the methodology used for the thesis, several functions are developed to carry out the preprocessing of the database in order to obtain a database conditioned for the models. Subsequently, both supervised and unsupervised algorithms are applied that are able to classify the presence of cancer and, in addition, diagnose aggression. Finally, with all the results obtained, its functionality is evaluated by qualitative and quantitative analysis of the models, and a comparison is made between the different results and models implemented.