Diseño y desarrollo de un sistema de gradación de imágenes cancerosas de resonancia magnética de próstata utilizando algoritmos de aprendizaje profundo multimodalidad.

Abstract

[ES] El cáncer de próstata es a nivel mundial el segundo tipo de cáncer con mayor prevalencia. En 2018 se diagnosticaron 1.3 millones de pacientes y se estima que el número de casos anuales nuevos aumente en un 40.2 % en 2030. Esta patología es diagnosticada a partir del análisis visual de biopsias por medio del patólogo y la clasificación de la diferenciación del tejido según la escala Gleason. Sin embargo, la obtención de biopsias es un proceso invasivo, con riesgos clínicos, que únicamente abarca una región concreta del órgano. Por ello, en los últimos años, ha surgido la necesidad clínica de obtener el diagnóstico según la escala Gleason por medio de pruebas de imagen no invasiva, como es el caso de la resonancia magnética. Por todo esto, el objetivo de este trabajo ha sido el desarrollo de modelos de deep learning para la gradación de imágenes de resonancias magnéticas de próstata. Se ha hecho uso de la base de datos pública del challenge ProstateX-2, donde se proporcionan imágenes de resonancia magnética multiparamétrica en la que los pacientes fueron diagnosticados por biopsias. Se ha adecuado esta base de datos para que pudiera ser utilizada posteriormente por los modelos de deep learning. Para lidiar con las limitaciones observadas en el estado del arte en este campo, en este trabajo se ha estudiado la combinación de distintas modalidades de resonancia magnética en redes neuronales convolucionales. Con este fin se han propuesto cuatro arquitecturas de combinación multiparamétrica distintas: combinación tardía multimodelo, combinación tardía monomodelo, combinación temprana y combinación mixta. Estos modelos demostraron su eficacia respecto a los modelos monomodales, mejorando su F1-score en las imágenes sanas cerca de un 10 % y un 40 % en los casos de imágenes con cánceres en estadíos poco avanzados. De todas las combinaciones entrenadas, la que mejor resultado obtuvo fue la combinación tardía monomodelo, con un valor Kappa de 0,594, mientras que en el challenge el modelo que mejor coeficiente Kappa consiguió fue de 0,27. Sin embargo, ningún modelo demostró ser capaz de detectar eficazmente las imágenes de cánceres más avanzados. Se han estudiado los resultados obtenidos, las limitaciones de los modelos y propuesto futuras líneas de trabajo.

[CA] El càncer de pròstata és a nivel mundial el segon tipus de càncer amb major prevalença. En 2018 es van diagnosticar 1.3 milions de pacients i s’estima que el nombre de casos anuals nous augmente en un 40.2 % en 2030. Aquesta patologia és diagnosticada a partir de l’anàlisi visual de biòpsies per mitjà del patòleg i la classificació de la diferenciació del teixit segons l’escala Gleason. No obstant això, l’obtenció de biopsies és un procés invasiu, amb riscos clínics, que únicament comprén una regió concreta de l’òrgan. Per això, en els últims anys, va sorgir la necessitat clínica de obtindre el diagnòstic segons l’escala Gleason per mitjà de proves d’imatge no invasiva, com és el cas de la ressonància magnética. Per això, el objectiu d’aquest treball ha sigut el desenrotllament de models de deep learning per a la gradació d’imatges de ressonàncies magnètiques de pròstata. S’ha fet ús de la base de dades publiques del challenge ProstateX-2, on es proporcionen imatges de ressonància magnètica multiparamètrica on els pacients van ser diagnosticats per biopsies. S’ha adequat aquesta base de dades per a que poguera ser utilitzada posteriormente per els models de deep learning. Per a torjear amb les limitacions observades en el estat de l’art en aquest camp, en el treball es va estudiar la combinación de distintes modalitats de ressonància magnètica en xarxes neuronals convolucionals. Amb aquest fi s’ha implementat quatre arquitectures de combinació multiparamètrica distintes: combinació tardana multimodel, combinació tardana monomodel, combinació primerenca i combinació mixta. Aquests models van demostrar la seua eficàcia respecte als models monomodals, millorant la seua F1-score en les imatges sanes prop d’un 10 % i un 40 % en els casos d’imatges amb càncers en estadis poc avançats. De todes les combinacions entrenades, la que millor resultat va tindre va ser la combinació tardana monomodel, amb un valor Kappa de 0,594, mentres que en el challenge el model que millor coeficient Kappa va tindre va ser de 0,27. No obstant això, cap model va demostrar ser capaç de detectar eficaçment les imatges de càncers més avançats. Es van estudiar els resultats obtinguts, les limitacions dels models i proposat futures línies de treball.

[EN] Prostate cancer is the second type of cancer with most prevalence worldwide. In 2018 1.3 million cases were diagnosed and is predicted that the number of cases will increase a 40.2 % by 2030. This pathology is diagnosed from the visual analysis of biopsies carried out by the pathologists and then the differentiation of the tissue is classified according to Gleason scale. However, biopsies acquisition is an invasive procedure, with clinical risks, that only covers a concrete region of the organ. Thus, in the last years, the clinical need has arisen to obtain a Gleason’s scale diagnosis through noninvasive imaging tests, for example magnetic resonance. Therefore, the objective of this project has been the development of deep learning methods for magnetic resonance images of prostates gradation. The public database from the ProstateX-2 challenge has been used, where multiparametric magnetic resonance images where the patients were diagnosed through biopsies were provided. The database has been adapted so it could be used lately by the deep learning models. To deal with the limitations observed in the state of the art of this area, the combination of different modalities of magnetic resonance in convolutional neural networks has been studied in this project. For this purpose, four different architectures were implemented: multimodel late merging, monomodal late merging, early merging and mixed merging. These models show their efficacy against the monomodal models, improving their F1-score in the healthy images by a 10 % and a 40 % in the images with advanced stages of cancer. From all the trained combinations, the one that achieved the best result was the late merging monomodal combination, with a Kappa value of 0,594, while the best model of the challenge achieved a kappa value of 0,27. However, none of the models show to be able to successfully detect images with advanced prostate cancer. The results obtained and the limitations of the models have been studied and future lines of work have been proposed.