Caracterización de la relevancia clínica de lesiones en el cáncer de próstata utilizando un modelo convolucional de aprendizaje profundo

Abstract

El cáncer de próstata es el segundo cáncer con mayor incidencia a nivel mundial registrando más de tres millones de casos en 2018. La detección temprana de esta enfermedad es un desafío hoy en día, ya que, en las primeras fases del diagnóstico, el examen del antígeno específico de la próstata (PSA) y el tacto rectal (DRE), poseen una sensibilidad baja, generando falsos positivos en el proceso de diagnóstico. Las imágenes por resonancia magnética (MRI) se han convertido en una herramienta fundamental para apoyar el tratamiento y diagnóstico del cáncer, permitiendo a los expertos visualizar propiedades morfológicas y micro-circulatorias de los tejidos de la próstata. Estas características se relacionan con la agresividad del cáncer, pero su análisis es altamente subjetivo. En la literatura se han propuesto varios sistemas de diagnóstico asistidos por computador (CAD) para cuantificar la relevancia clínica en lesiones prostáticas. No obstante, estos sistemas ignoran observaciones en más del 70% de la próstata. En este trabajo se realizó un estudio para el análisis de regiones locales en secuencias MP-MRI y su capacidad de predecir lesiones relacionadas con el cáncer, en diferentes zonas de la próstata. Inicialmente, se calcularon regiones volumétricas localizadas alrededor de anotaciones realizadas por radiólogos. En un primer estudio, se utilizó la secuencia Ktrans junto con modelos de aprendizaje de máquina para cuantificar la relevancia clínica a partir de patrones micro-circulatorios. Luego, se propuso una arquitectura convolucional que permitió modelar patrones texturales en diferentes secuencias MP-MRI, teniendo un mejor comportamiento las secuencias Ktrans. Finalmente se propuso un modelo multimodal de aprendizaje profundo que permitía incluir diferentes secuencias MP-MRI para la caracterización de la relevancia clínica.