Abstract:
|
[ES] El cáncer de próstata es uno de los tipos de cánceres más frecuentemente diagnosticados
en todo el mundo. Actualmente, el diagnóstico definitivo de esta enfermedad viene
precedido del examen visual de las muestras ...[+]
[ES] El cáncer de próstata es uno de los tipos de cánceres más frecuentemente diagnosticados
en todo el mundo. Actualmente, el diagnóstico definitivo de esta enfermedad viene
precedido del examen visual de las muestras de tejido biopsiadas por parte del patólogo,
quien asigna una puntuación de las estructuras histológicas acorde con la escala Gleason.
Esta inspección manual consume grandes cantidades de tiempo al médico y presenta
cierto grado de subjetividad en cada patólogo.
En los últimos años, ha surgido la necesidad de desarrollar sistemas de ayuda al
diagnóstico para reducir la gran carga de trabajo y el nivel de variabilidad entre los
diagnósticos de diferentes especialistas, basados en sistemas automáticos de visión por
computador. Cabe destacar que la mayoría de estos sistemas utilizan una resolución fija
de la imagen. No obstante, los patólogos analizan la muestra de tejido bajo el microscopio
haciendo uso de diferentes aumentos, ya que, para determinar un diagnóstico, necesitan
no solo la información de la región de interés a nivel local, sino también la información
del contexto en el que se encuentra dicha región. Por este motivo, el objetivo de este TFM
versa sobre el desarrollo de enfoques multi-resolución aplicando algoritmos de deep
learning para la detección de patrones cancerosos en WSIs, según la escala Gleason,
tiendo en cuenta la información de las imágenes a distintas resoluciones.
En el presente TFM, se propone el desarrollo de una red neuronal convolucional que
procese conjuntamente las muestras de las biopsias a distintas resoluciones, y combine
sus características para realizar una clasificación más precisa. Esta red, ha sido comparada
con modelos a resolución fija. En la etapa experimental se demuestra que el método multiresolución mejora los resultados, alcanzando un kappa cuadrático de Cohen de 0.5430.
[-]
[CA] El càncer de pròstata és un dels tipus de càncers més sovint diagnosticats en tot el món.
Actualment, el diagnòstic definitiu d'aquesta malaltia ve precedit de l'examen visual de
les mostres de teixit biopsiades per ...[+]
[CA] El càncer de pròstata és un dels tipus de càncers més sovint diagnosticats en tot el món.
Actualment, el diagnòstic definitiu d'aquesta malaltia ve precedit de l'examen visual de
les mostres de teixit biopsiades per part del patòleg, qui assigna una puntuació de les
estructures histològiques d'acord amb l'escala Gleason. Esta inspecció manual consumix
grans quantitats de temps al metge i presenta un cert grau de subjectivitat en cada patòleg.
En els últims anys, ha sorgit la necessitat de desenvolupar sistemes d'ajuda al diagnòstic
per a reduir la gran càrrega de treball i el nivell de variabilitat entre els diagnòstics dels
diferents especialistes, basats en sistemes automàtics de visió per computador. Cal
destacar que la majoria d’aquests sistemes utilitzen una resolució fixa de la imatge. No
obstant això, els patòlegs analitzen la mostra de teixit davall el microscopi fent ús de
diferents augments, ja que, per a determinar un diagnòstic, necessiten no sols la
informació de la regió d’interès a nivell local, sinó també la informació del context en
què es troba la dita regió. Per este motiu, l'objectiu d’aquest TFM versa sobre el
desenvolupament d'enfocaments multi-resolució aplicant algoritmes de deep learning per
a la detecció de patrons cancerosos en WSIs, segons l'escala Gleason, tenint en compte la
informació de les imatges a distintes resolucions.
En el present TFM, es proposa el desenrotllament d'una xarxa neuronal convolucional
que processa conjuntament les mostres de les biòpsies a distintes resolucions, i combina
les seues característiques per a realitzar una classificació més precisa. Esta xarxa, ha sigut
comparada amb models a resolució fixa. En l'etapa experimental es demostra que el
mètode multi-resolució millora els resultats, aconseguint un kappa quadràtic de Cohen de
0.5430.
[-]
[EN] Prostate cancer is one of the most frequent diagnosed types of cancer in the world.
Currently, the definitive diagnosis of this disease is precedent by the visual examination
of the biopsied tissue samples by the ...[+]
[EN] Prostate cancer is one of the most frequent diagnosed types of cancer in the world.
Currently, the definitive diagnosis of this disease is precedent by the visual examination
of the biopsied tissue samples by the pathologist, who assigns a score of the histological
structures according to the Gleason score. This manual inspection consumes large
amounts of time for the doctor and also presents a certain degree of subjectivity in each
pathologist.
In recent years, the need has arisen to develop diagnostic support systems to reduce the
large workload and the level of variability between the diagnoses of different specialists,
based on automatic computer vision systems. It should be noted that most of these systems
use a fixed image resolution. However, pathologists analyse the tissue sample under the
microscope using different magnifications, since, in order to determine a diagnosis, they
need not only information about the region of interest at the local level, but also
information about the context in which that region is located. For this reason, the objective
of this Master Thesis is to develop multi-resolution approaches by applying deep learning
algorithms for the detection of cancer patterns in WSIs, according to the Gleason scale,
taking into account the information from the images at different resolutions.
In the present Master Thesis, it is proposed the development of a convolutional neuronal
network that processes together the biopsy samples at different resolutions, and combines
its characteristics to make a more precise classification. This network has been compared
with fixed resolution models. In the experimental stage, it is demonstrated that the multiresolution method improves the results, reaching a Cohen's square Kappa of 0.5430.
[-]
|