Desarrollo de un modelo de predicción para la detección de tumores de próstata mediante análisis multivariante de secuencias de imágenes de perfusión y difusión

Abstract

[ES] Esta tesis consiste principalmente en la alineación de RM (resonancia magnética) secuencias de perfusión y difusión utilizando el software de Horus. Después de la alineación, los mismos biomarcadores establecidos por investigaciones previas (José Manuel Prats y otros, 2013, Eric Aguado y otros, 2014) son extraídos usando Curva de Resolución Multivariante (MCR), y luego analizados con regresión de mínimos cuadrados parciales (PLS). Los resultados obtenidos muestran una buena predicción con f-score 0.8144. Con leave one out validación cruzada (LOOCV) también se obtiene resultado parecido. Como un trabajo preliminar, estudios adicionales y más profundos son recomendados y necesarios para evaluar mejor la precisión y extenderlo con más profundidad.

[CA] Esta tesi consistix principalment en l'alineació de RM (ressonància magnètica) seqüències de perfusió i difusió utilitzant el programa Horos. Després de l'alineació, els mateixos biomarcadores establits per investigacions prèvies (José Manuel Prats i altres, 2013, Eric Aguado i altres, 2014) són extrets usant Corba de Resolució Multivariant (MCR) , i després analitzats amb regressió de mínims quadrats parcials (PLS). Els resultats obtinguts mostren una bona predicció amb f-score 0.8144. Amb leave one out validació encreuada (LOOCV) també s'obté resultat paregut. Com un treball preliminar, estudis addicionals i més profunds són recomanats i necessaris per a avaluar millor la precisió i estendre-ho amb més profunditat.

[EN] This thesis mainly consists of aligning MR (Magnetic Resonance) prostate perfusion and diffusion sequences using software Horos. After the image coregistration, same biomarkers established by previous studies (José Manuel Prats and others, 2013, Eric Aguado and others, 2014) were extracted using Multivariate Curve Resolution (MCR), and later analyzed with Partial Least Square regression (PLS) model. The obtained results show a good prediction with f-score 0.8144. Similar outcome has also been achieved with leave one out cross validation (LOOCV). As a preliminary work, further studies are recommended and necessary to evaluate better the precision and to extend the work with more depth.