SEGMENTACIÓN DE LESIONES DE CÁNCER DE PRÓSTATA EN SECUENCIAS DE RESONANCIA MAGNÉTICA BIPARAMÉTRICA UTILIZANDO MECANISMOS DE ATENCIÓN DE SEGUNDO ORDEN

Abstract

El cáncer de próstata es el segundo cáncer más prevalente y constituye la quinta causa de fallecimiento por cáncer. La atención temprana y el diagnóstico efectivo resultan clave para lograr un pronóstico favorable en pacientes. Sin embargo, los métodos actuales de diagnóstico, como la medición del antígeno prostático específico (PSA) y el examen digital rectal (DRE), reportan un alto número de falsos positivos. Protocolos de resonancia magnética biparamétrica (bp-MRI) ofrecen una alternativa no invasiva para la detección del cáncer, pero su interpretación, localización y estratificación dependen del experto, lo que introduce variabilidad y subjetividad. En el estado del arte se han propuesto alternativas computacionales para el soporte en la tarea de localización y delineación automática de lesiones clínicamente significativas (csPCa). No obstante, la alta variabilidad en los patrones visuales de las lesiones hacen que esta tarea siga siendo un problema abierto, requiriendo para muchas de las soluciones una gran cantidad de datos anotados. En este trabajo se propuso un mecanismo geométrico de atención que aprovecha relaciones de segundo orden para guiar una arquitectura en la segmentación de lesiones csPCa. Estos mecanismos fueron implementados como conexiones de salto (skip connections) en arquitecturas convencionales tipo U-Net, orientadas a la delineación automática. Por sus propiedades geométricas, el modelo de atención se define en una variedad Riemanniana, logrando así aprender representaciones codificadas en matrices simétricas definidas positivas. El módulo de atención propuesto, integrado en una red de segmentación, fue entrenado y validado en el conjunto de datos PI-CAI (1500 estudios biparamétricos) y en el conjunto Prostate158 (158 estudios biparamétricos). En PI-CAI, la presente propuesta alcanzó un AUC-ROC de 0.83 (Area Under the ROC Curve) y un AP de 0.37 (Average Precision), superando tanto a las arquitecturas convencionales de segmentación como a los modelos que incorporan mecanismos de atención estandarizados. Para evaluar su capacidad de generalización y robustez, el método fue validado en una cohorte independiente (Prostate158), donde obtuvo un AUC-ROC de 0.75 y un AP de 0.37.