CLASIFICACIÓN DE LESIONES DE CÁNCER DE PRÓSTATA CARACTERIZANDO ESPACIOS EMBEBIDOS DE OBSERVACIONES MRI

Simple item page
dc.contributor.advisorMartinez Carrillo, Fabio
dc.contributor.advisorOlmos Rojas, Juan Andrés
dc.contributor.authorHurtado Rodríguez, César Luis
dc.contributor.evaluatorGalvis Carreño, Laura Viviana
dc.contributor.evaluatorBautista Rozo, Lola Xiomara
dc.date.accessioned2024-11-07T16:05:05Z
dc.date.available2024-11-07T16:05:05Z
dc.date.created2024-11-05
dc.date.issued2024-11-05
dc.description.abstractEl cáncer de próstata es el cáncer más frecuente en los hombres. A nivel mundial, durante el 2022, más de 1.4 millones de personas fueron diagnosticadas y más de 397 mil decesos fueron asociados a esta enfermedad. En la rutina clínica, las técnicas comúnmente utilizadas para el diagnóstico son el test sanguíneo de Antígeno Prostático Específico (PSA) y el examen digital rectal (DRE). Sin embargo, estos métodos son invasivos y presentan una baja especificidad. Actualmente, el análisis de resonancias magnéticas (MRI) es una alternativa con mayor sensibilidad y capacidad de detección de lesiones de cáncer de próstata. Sin embargo, el análisis de MRI es dependiente de la experiencia del lector. Recientemente, métodos basados en aprendizaje profundo han emergido como una alternativa para apoyar la clasificación de lesiones clínicamente significativas (csPCa) observadas en MRI. Sin embargo, debido a la alta variabilidad intra- e inter- estudios MRI y a la limitación de datos, existe aún una brecha en la tarea de clasificar estas lesiones. En este trabajo se desarrolló un enfoque de aprendizaje contrastivo para la clasificación de lesiones csPCa en bp-MRI. Inicialmente, bajo un marco de aprendizaje contrastivo supervisado, se ajustó una red convolucional 3D dedicada al aprendizaje de características profundas de MRI mediante la proyección en vectores de baja dimensionalidad. Particularmente, este propone la codificación de matrices simétricas definidas positivas (SPD) a partir de las características profundas convolucionales 3D aprendidas en la tarea contrastiva para la construcción de un espacio embebido geométrico más discriminativo. Para la clasificación de estas matrices SPD, se utilizaron modelos de aprendizaje de máquina y modelos de aprendizaje profundo geométrico que consideran la geometría Riemanniana de la variedad de las matrices SPD. Los métodos implementados se validaron sobre un conjunto de datos público con respecto la tarea de clasificación de lesiones csPCa, donde el método propuesto alcanzó un AUC-ROC del 0.93, superando a la discriminación desde simplemente los vectores contrastivos (baseline) con 0.85. Adicionalmente, al reducir los datos de entrenamiento a un 20%, el método propuesto demostró ser robusto al alcanzar un AUC-ROC de 0.91, mientras que para el baseline, esta métrica se redujo al 77%.
dc.description.abstractenglishProstate cancer is the most common cancer in men. Worldwide, more than 1.4 million people were diagnosed, and over 397 thousand deaths occurred in 2022, making it the fourth most diagnosed cancer in the world. In clinical routine, the techniques commonly used for diagnosis are the Prostate Specific Antigen (PSA) blood test and the digital rectal examination (DRE). However, these methods are invasive and have low specificity, resulting in a considerable number of false positives. This in turn leads to intrusive and unnecessary procedures, such as biopsies. Currently, Magnetic Resonance Imaging (MRI) analysis is an alternative with higher sensitivity and detection capability for prostate cancer lesions. These images, besides being non-invasive, facilitate visual analysis of the prostate gland from various angles, reducing the number of unnecessary biopsies. However, MRI analysis is dependent on the reader's experience, making it subjective. Recently, deep learning-based methods have emerged as an alternative to support the classification of clinically significant lesions (csPCa). However, due to high intra- and inter-study MRI variability and data limitations, there is still a gap in classifying these lesions from MRI. In this work, a contrastive learning approach for csPCa lesion classification in bp-MRI was developed. Initially, under a supervised contrastive learning framework, a 3D convolutional network dedicated to learning deep MRI features by projection onto low dimensionality vectors was tuned. Particularly, this one proposes the encoding of symmetric positive definite (SPD) matrices from the 3D convolutional deep features learned in the contrastive task for the construction of a more discriminative geometric embedded space. For the classification of these SPD matrices, machine learning models and geometric deep learning models considering the Riemannian geometry of the variety of SPD matrices were used. The implemented methods were validated on a public dataset with respect to the csPCa lesion classification task, where the proposed method achieved an AUC-ROC of 0.93, outperforming discrimination from simply the contrastive (baseline) vectors with 0.85. Additionally, by reducing the training data to 20%, the proposed method proved to be robust by achieving an AUC-ROC of 0.91, while for baseline, this metric was reduced to 77%.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/44519
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectCáncer de próstata
dc.subjectLesión csPCa
dc.subjectBP-MRI
dc.subjectEmbebidos
dc.subject.keywordProstate cancer
dc.subject.keywordcsPCa lesion
dc.subject.keywordBP-MRI
dc.subject.keywordEmbeddings
dc.titleCLASIFICACIÓN DE LESIONES DE CÁNCER DE PRÓSTATA CARACTERIZANDO ESPACIOS EMBEBIDOS DE OBSERVACIONES MRI
dc.title.englishCLASSIFICATION OF PROSTATE CANCER LESIONS BY CHARACTERIZING EMBEDDED SPACES OF MRI OBSERVATIONS
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
269.88 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
150.63 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
10.79 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería de Sistemas