Diseño y desarrollo de un sistema automático para la gradación del cáncer de próstata aplicando técnicas multi-resolución con algoritmos de deep learning en Whole-Slide Images

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 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 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 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.