Diseño y desarrollo de un sistema automático para la detección de tumores melanocíticos spitzoides aplicando técnicas multi-resolución basadas en deep learning sobre Whole-Slide Images.

Abstract

[ES] El cáncer de piel es el grupo más común de neoplasias malignas en la población blanca. Aunque dos de los cánceres cutáneos más comúnmente diagnosticados son el carcinoma de células escamosas y el de células basales, el cáncer de piel más agresivo y peligroso es el melanoma. El melanoma es una neoplasia agresiva con numerosos mecanismos de resistencia frente a agentes terapéuticos y responsable de la mayoría de las muertes por cáncer de piel. En la mayoría de los tumores melanocíticos es posible una distinción precisa entre benigno (nevus melanocítico) y maligno (melanoma). Sin embargo, existen lesiones melanocíticas de difícil diagnóstico clínico como son los llamados ¿tumores spitzoides¿. Para el diagnóstico de estas lesiones, los dermopatólogos suelen analizar al microscopio regiones de tejido digitalizadas en Whole Slide Images (WSIs) a diferentes aumentos (resoluciones), ya que es importante tanto la información local como el contexto global de la lesión. Sin embargo, este análisis manual consume gran cantidad de tiempo al especialista y presenta cierto grado de subjetividad entre los diferentes patólogos. Por ello, es necesario desarrollar nuevos sistemas de ayuda al diagnóstico que permitan reducir la carga de trabajo y el nivel de discordancia existente. El objetivo de este TFM reside en el desarrollo de enfoques automáticos multi-resolución basados en algoritmos de deep learning para diferenciar entre nevus y melanoma spitzoide. Para ello, se contará con imágenes histopatológicas a distintas resoluciones en las que se podrán observar las características morfológicas de estas neoplasias a diferente nivel de detalle. En concreto, se pretenden implementar diferentes procedimientos de fusión utilizando distintos enfoques multi-resolución. Por un lado, se plantea el desarrollo de una red neuronal convolucional cuya entrada sea la fusión de imágenes WSI a distinta resolución y, por otro lado, el diseño de modelos híbridos que permitan extraer características de las imágenes a las distintas resoluciones para posteriormente fusionarlas y predecir, en base a ellas, la malignidad o benignidad de las muestras histológicas.

[EN] Skin cancer is the most common group of malignancies in the white population. Although two of the most commonly diagnosed skin cancers are squamous cell and basal cell carcinoma, the most aggressive and dangerous skin cancer is melanoma. Melanoma is an aggressive neoplasm with numerous mechanisms of resistance to therapeutic agents and is responsible for the majority of skin cancer deaths. In most melanocytic tumors a precise distinction between benign (melanocytic nevus) and malignant (melanoma) is possible. However, there are melanocytic lesions that are difficult to diagnose clinically, such as the so-called "spitzoid tumors". For the diagnosis of these lesions, dermopathologists usually analyze under the microscope tissue regions digitized in Whole Slide Images (WSIs) at different magnifications (resolutions), since both the local information and the global context of the lesion are important. However, this manual analysis is time-consuming for the specialist and presents a certain degree of subjectivity among different pathologists. Therefore, it is necessary to develop new diagnostic aid systems to reduce the workload and the existing level of discordance. The aim of this TFM is the development of automatic multi-resolution approaches based on deep learning algorithms to differentiate between nevus and spitzoid melanoma. For this purpose, histopathological images at different resolutions will be used to observe the morphological characteristics of these neoplasms at different levels of detail. Specifically, we intend to implement different fusion procedures using different multi-resolution approaches. On the one hand, we propose the development of a convolutional neural network whose input is the fusion of WSI images at different resolutions and, on the other hand, the design of hybrid models that allow the extraction of features from the images at different resolutions to subsequently fuse them and predict, based on them, the malignancy or benignity of the histological samples.