Caracterización de lesiones prostáticas en secuencias MRI utilizando un marco de aprendizaje contrastivo profundo
No Thumbnail Available
Date
2023-08-11
Authors
Evaluators
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
El diagnóstico temprano del cáncer de próstata a partir de estudios de MRI biparamétricos (secuencias T2WI y DWI) constituye las nuevas directrices del protocolo PI-RADS-2. A partir de dichas secuencias, las lesiones malignas se caracterizan por sus propiedades morfológicas y de densidad celular. Sin embargo, dicha caracterización es sensible a la alta variabilidad entre diferentes secuencias MRI y zonas de próstata, lo que a menudo resulta en diagnósticos erróneos.
Las representaciones actuales de aprendizaje profundo han mostrado resultados prometedores para apoyar el diagnóstico. Sin embargo, estas estrategias suelen requerir una enorme cantidad de hallazgos anotados en secuencias MRI, lo que limita claramente la implementación y aplicación de estas estrategias computacionales en la rutina clínica. Además, las representaciones aprendidas pueden ser sensibles al ruido generado durante las técnicas de aumento de datos. Este trabajo introduce un enfoque de aprendizaje débilmente supervisado a partir de una representación profunda BP-MRI para clasificar lesiones malignas. En primer lugar, se toman parches de tejido redundante de la glándula prostática, lo que permite ajustar una representación para discriminar entre lesiones y tejido control. Esta tarea se realiza bajo un esquema de aprendizaje contrastivo, aprendiendo una proyección de embebidos que agrupa parches similares maximizando la distancia entre las diferentes clases. A continuación, a partir de dicha representación, se lleva a cabo un proceso de fine-tunning para discriminar entre lesiones benignas y malignas relacionadas con lesiones de cáncer de próstata. El enfoque propuesto superó a los estudios de referencia en un conjunto de datos públicos, alcanzando un ROC-AUC de 0,85 utilizando el 80\% de las lesiones anotadas disponibles. Además, utilizando el 20\% de las lesiones, la estrategia propuesta alcanzó un ROC-AUC de 0.80, siendo un resultado prometedor para transferir modelos a la rutina clínica.
Description
Keywords
Cáncer de próstata, Aprendizaje contrastivo, Aprendizaje multimodal, MRI