Diseño y desarrollo de un modelo basado en redes neuronales convolucionales para la segmentación automática de lesiones en imágenes de PET/TC. Aplicación a enfermedades linfoproliferativas.

Abstract

[ES] Las enfermedades linfoproliferativas, en particular los linfomas, constituyen un grupo de trastornos caracterizados por la proliferación descontrolada de células linfoides. Los linfomas, que representan una forma común de cáncer hematológico, han cobrado una creciente prevalencia en la actualidad. Aproximadamente esta enfermedad afecta mundialmente a 1 de cada 5000 personas.

En el contexto clínico actual, la FDG-PET/CT (Tomografía por Emisión de Positrones con Fluorodesoxiglucosa/ Tomografía Computarizada) se emplea de manera rutinaria para el diagnóstico y seguimiento de la respuesta al tratamiento en pacientes con linfoma. En este sentido, se propone un enfoque innovador: la utilización de un modelo basado en redes neuronales convolucionales para la segmentación automática de las lesiones sobre los estudios de FDG-PET/CT.

La adopción de técnicas automáticas no solo tiene el potencial de acelerar el proceso de estadificación y afinar el diagnóstico, sino también de permitir que los expertos se enfoquen en el análisis e interpretación de resultados, lo que posee una gran relevancia clínica. Además, la estandarización y objetivación de la segmentación mediante estas técnicas puede mejorar la consistencia y reproducibilidad de los resultados.

En este estudio se ha investigado y desarrollado una herramienta de detección automática de lesiones causadas por el linfoma que logra segmentar las lesiones con alta precisión. Se ha trabajado en la construcción de un modelo capaz de estimar el Volumen Metabólico Tumoral (MTV) de manera automática, proporcionando valores similares a las medidas manuales. Para lograr esto, se ha diseñado un algoritmo de procesamiento de imagen que incluye la comparación de métodos de mejora de contraste, la exploración del impacto del uso de imágenes en distintas orientaciones (i.e., coronal y axial) durante el proceso de entrenamiento, así como la evaluación de dos arquitecturas de redes neuronales (U-Net y Dense-UNet). El conjunto de datos de entrenamiento ha consistido en 139 estudios de FDG-PET/CT de pacientes con linfoma, complementados con 331 estudios de pacientes con melanoma y cáncer de pulmón de células no pequeñas (NSCLC).

El modelo seleccionado es una Dense-UNet de un canal en 2D con imágenes coronales, preprocesadas con mejora de contraste basada en la fijación de máximos según percentiles. Los resultados finales del modelo muestran un coeficiente Dice de 0.733, una IoU (Intersection over Union) de 0.596 y un coeficiente de correlación R 2 de 0.9856 entre el MTV calculado sobre la máscara predicha y el MTV de la máscara de referencia (SUV>4).

En conclusión, a pesar de algunas limitaciones, esta herramienta emerge como prometedora para la detección y segmentación automática de lesiones de linfoma. Su capacidad para estimar el MTV, un biomarcador clínicamente relevante para pronósticos y decisiones terapéuticas, respalda su potencial contribución en al avance en el manejo de las enfermedades linfoproliferativas.

[CA] Les malalties limfoproliferatives, en particular els limfomes, constitueixen un grup de trastorns caracteritzats per la proliferació descontrolada de cèl·lules limfoides. Els limfomes, que representen una forma comuna de càncer hematològic, han cobrat una creixent prevalença en l'actualitat. Aproximadament aquesta malaltia afecta a 1 de cada 5000 persones a nivell mundial En el context clínic actual, la FDG-PET/CT (Tomografia per Emissió de Positrons amb Fluorodesoxiglucosa/Tomografia computaritzada) s'empra de manera rutinària per al diagnòstic i seguiment de la resposta al tractament de pacients amb limfoma. En aquest sentit, es proposa un enfocament innovador: la utilització d'un model basat en xarxes neuronals convolucionals per a la segmentació automàtica de les lesions sobre els estudis de FDG-PET/CT. L'adopció de tècniques automàtiques no solament té el potencial d'accelerar el procés d'estadificació i afinar el diagnòstic, sinó també de permetre que els experts s'enfoquen en l'anàlisi i interpretació de resultats, la qual cosa posseeix una gran rellevància clínica. A més, l'estandardització i objectivació de la segmentació mitjançant aquestes tècniques pot millorar la consistència dels resultats. En aquest estudi, s'ha desenvolupat una eina de detecció automàtica de lesions causades pel limfoma que aconsegueix segmentar les lesions amb alta precisió. S'ha treballat en la construcció d'un model capaç d'estimar el Volum Metabòlic Tumoral (MTV) de manera automàtica, proporcionant valors similars a les mesures manuals. Per a aconseguir això, s'ha dissenyat una algoritme de preprocessat d’imatge que inclou la comparació de mètodes de millora de contrast, exploració de l'impacte de l'ús d'imatges en diferents orientacions (i.e, coronal i axial) durant el procés d’entrenament, així com l'avaluació de dues arquitectures de xarxes neuronals (U-Net i Dense-UNet). El conjunt de dades d'entrenament ha consistit en 139 estudis de FDG-PET/CT de pacients amb limfoma, complementats amb 331 estudis de pacients amb melanoma i càncer de pulmó de cèl·lules no menudes (NSCLC). El model seleccionat és una Dense-UNet d'un canal 2D amb imatges coronals, preprocessades amb millora de contrast basada en la fixació de màxims segons percentils. Els resultats finals del model mostren un coeficient Dice de 0.733, una IoU (Intersection over Union) de 0.596 i un coeficient de correlació R2 de 0.9856 entre el MTV calculat sobre la màscara predita i el MTV de la màscara de referència (SUV>4). En conclusió, malgrat algunes limitacions, aquesta eina es mostra prometedora per a la detecció i segmentació automàtica de lesions de limfoma. La seua capacitat per a estimar el MTV, un biomarcador clínicament rellevant per a pronòstics i decisions terapèutiques, recolza la seua potencial contribució a l'avanç en la gestió de malalties limfoproliferatives

[EN] Lymphoproliferative diseases, with a special focus on lymphomas, represent a growing concern in healthcare. Lymphomas are among the most prevalent hematological cancers today, with approximately 1 case diagnosed in every 5000 people worldwide.

Capitalizing on the clinical utility of FDG-PET/CT (Fluorodeoxyglucose- Positron Emission Tomography/ Computed Tomography) for lymphoma diagnosis and treatment response monitoring, we propose a model based on convolutional neural networks for automatic lesion segmentation on FDG-PET/CT studies. Automated techniques have the potential to expedite staging processes and enable experts to concentrate on result analysis and interpretation, which holds paramount clinical relevance. Furthermore, these techniques can standardize and objectify segmentation, enhancing result consistency and reproducibility.

In this study, it has been investigated and developed a tool for automatic detection of lesions caused by lymphoma that achieves highly accurate lesion segmentation. We have worked on the construction of a model capable of estimating the Metabolic Tumor Volume (MTV) automatically, providing values similar to manual measurements. To achieve this, an image processing algorithm has been designed that includes the comparison of contrast enhancement methods, an exploration of the impact of using images in different orientations (i.e., coronal and axial) during the training process, as well as the evaluation of two neural network architectures (U-Net and Dense-UNet). For training, a dataset comprising 139 whole-body FDG-PET/CT studies of lymphoma patients was augmented with 331 FDGPET/CT studies of melanoma and Non-Small Cell Lung Cancer (NSCLC) patients.

The chosen model was a 2D single-channel Dense-UNet using coronal images, with input preprocessing involving contrast enhancement based on percentile-based intensity scaling. The final model achieved a Dice Index of 0.733, Intersection over Union (IoU) of 0.596, and a correlation coefficient R 2 of 0.9856 between the MTV calculated on the predicted mask and the MTV of the reference mask (SUV>4).

Despite some limitations, this tool shows up as promising for automated lymphoma lesion detection and segmentation. It demonstrates a robust estimation of MTV, a clinically relevant biomarker for prognosis and treatment guidance. The tool's potential impact on advancing the field of lymphoma diagnosis and management is notable, even as certain refinements may be necessary.