Segmentación automática de tumores de glioblastoma multiforme mediante algoritmos de deep learning.

Abstract

[ES] El glioblastoma multiforme (GBM) es el tumor maligno primario más común dentro del sistema nervioso central con una supervivencia en términos de 5 años de 5,8%. La técnica de imagen de referencia para su identificación post-diagnóstico es la resonancia magnética nuclear (RMN). La segmentación manual de estos tumores constituye una gran carga de tiempo y trabajo para los radiólogos. Por ello, se pretende desarrollar un modelo mediante Inteligencia Artificial (IA) y Deep Learning (DL) que consiga realizar la segmentación completa del GBM en imágenes de RM empleando redes neuronales convolucionales (CNN), ya que estos modelos minimizan los sesgos relacionados con los procesos manuales de segmentación y pueden reducir drásticamente el tiempo requerido para la segmentación. El modelo será entrenado con imágenes de RM potenciadas en T2 pertenecientes a 16 casos de pacientes diagnosticados con GBM en el Hospital Universitario y Politécnico La Fe durante los años 2018-2021, que han sido anonimizados para garantizar la privacidad y seguridad de los datos. Las imágenes son preprocesadas antes de emplearse para el entrenamiento del modelo, el cual está basado en la arquitectura U-Net, la cual ha sido empleada con éxito en muchos estudios de segmentación en imagen médica en los últimos años gracias a su proceso de eliminación y restauración de la localización de características. Pese a las limitaciones del estudio, como un reducido tamaño muestral, se ha conseguido un modelo capaz de segmentar el tumor total de GBM, aunque no con la robustez y la generalizabilidad deseada. En este sentido, se ofrecen una lista de posibles técnicas o implementaciones que podrían aplicarse para intentar mejorar este resultado, que ayudarían a mitigar las limitaciones con las que cuenta este modelo. Este trabajo sirve como prueba piloto para la construcción de un modelo capaz de automatizar la segmentación del GBM en el proceso de predicción de resultados clínicos relevantes como la recurrencia/progresión tumoral o la supervivencia global.

[EN] The glioblastoma multiforme (GBM) is the most common primary malignant tumour within the central nervous system, with a survival rate of 5.8% at 5 years. Its gold standard technique for the identification pots-diagnosis is the nuclear magnetic resonance (NMR). The handmade segmentation of these tumours constitutes a big load of time and work for the radiologists. For that reason, it is intended to develop a model through Artificial Intelligence (AI) and Deep Learning (DL) algorithms that manages to perform the complete segmentation of the GBM in NMR images by using convolutional neural networks (CNN), since these algorithms provide a solution to the biases related with handmade processes of segmentation and they can also reduce the time needed to perform the segmentation. The model will be trained with T2-boosted NMR images belonging to 16 patient cases diagnosed with GBM at the Hospital Universitario y Politécnico La Fe from 2018 to 2021, which have been anonymized to guarantee data privacy and security. The images are preprocessed before being used for training the model, which is based on the U-Net architecture, used successfully in many medical image segmentation studies during the last years due to its features localization elimination and restoration process. Despite the fact that the study has several limitations, such as a small sample size, it has been possible to develop an algorithm capable of segmenting the total tumour of GBM, even though the generalizability and robustness weren't as desired. In this sense, a list of the possible techniques or implementations that could be applied to improve this result is providen, which would help to mitigate the constraints of this model. This study could serve to automate the segmentation of the GBM in the process of predicting relevant clinical outcomes such as the tumour recurrence/progression or the overall survival.