Diseño y desarrollo de un sistema de ayuda al diagnóstico para el cáncer de próstata en imágenes de resonancia magnética con adaptación inter-dominio no supervisada.

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. Para automatizar este proceso, recientemente se ha propuesto el desarrollo de sistemas de ayuda al diagnóstico basados en deep learning. Sin embargo, los patrones observables en las biopsias no tienen una diferenciación clara en la imagen de resonancia magnética, y la variabilidad de los sistemas de adquisición de imagen suponen un desafío para el uso de estos sistemas de ayuda al diagnóstico. Por ello, el objetivo de este TFG es el desarrollo de modelos de deep learning capaces de ayudar en el diagnóstico de resonancias magnéticas. Para ello, se hará uso de una base de datos pública de imágenes de resonancia magnética cuyos pacientes han sido diagnosticados por medio de biopsias. Metodológicamente, se pretende segmentar en primera instancia la zona glandular, y preparar un sistema de calibración inter-dominio por medio de aprendizaje adversarial. En segunda instancia, los volúmenes glandulares serán clasificados para obtener el grado ISUP diagnosticado por expertos, mediante redes neuronales convolucionales 3D. El trabajo incluirá la preparación de la base de datos, desarrollo de algoritmos y validación tanto cuantitativa como cualitativa de los resultados obtenidos.

[EN]