Caracterización de lesiones prostáticas en secuencias MRI utilizando un marco de aprendizaje contrastivo profundo

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorArévalo Ovalle, John Edilson
dc.contributor.authorGutiérrez Guate, Yesid Alfonso
dc.contributor.evaluatorAcosta Tamayo, Óscar
dc.contributor.evaluatorDelrieux, Claudio Augusto
dc.date.accessioned2023-08-14T20:40:39Z
dc.date.available2023-08-14T20:40:39Z
dc.date.created2023-08-11
dc.date.issued2023-08-11
dc.description.abstractEl 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.
dc.description.abstractenglishEarly prostate cancer diagnosis from bi-parametric MRI studies (T2WI and DWI sequences) constitutes the new guidelines in PI-RADS-2 protocol. From such sequences, malignant lesions are characterized by morphological and cellular density properties. Nonetheless, such characterization is sensible to high variability among different MRI sequences and prostate zones, which often results in misdiagnosis. Current deep learning representations have shown promising results to support the diagnosis, discriminating malignant lesions from multimodal MRI radiological findings. Nevertheless, such strategies typically require a huge amount of annotated MRI findings in multimodal MRI sequences, which clearly limits the implementation and application of these computational strategies in the clinical routine. Moreover, the learned representations may be sensible to noise generated during the data augmentation techniques. This work introduces a weakly supervised learning approach from a deep BP-MRI representation to classify malignant lesions, overcoming deep learning approaches that use multiparametric MRI. Firstly, redundant and rich tissue patches are taken from the prostate gland, allowing to adjust a representation to discriminate between lesions and healthy tissue. This pretext task is performed under a contrastive learning scheme, learning an embedding projection that groups similar patches while maximizing the distance among different classes. Then, from such representation, it is carried out a fine-tuning process to discriminate between benign and malignant lesions related to prostate cancer lesions. The proposed approach outperformed baseline studies in a public dataset, achieving a ROC-AUC of 0.85 using the 80\% of the available annotated lesions. Also, using 20\% of the lesions, the proposed strategy achieved a ROC-AUC of 0.80, being a promising result to transfer models to the clinical routine.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Informática
dc.description.googlescholarhttps://scholar.google.com/citations?user=Mtu4Y_QAAAAJ&hl=es
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/20.500.14071/14832
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Informática
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.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectCáncer de próstata
dc.subjectAprendizaje contrastivo
dc.subjectAprendizaje multimodal
dc.subjectMRI
dc.subject.keywordProstate Cancer
dc.subject.keywordContrastive Learning
dc.subject.keywordMultimodal Learning
dc.subject.keywordMRI
dc.titleCaracterización de lesiones prostáticas en secuencias MRI utilizando un marco de aprendizaje contrastivo profundo
dc.title.englishProstate Lesions Characterization In MRI Sequences Using a Deep Contrastive Learning Framework
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
3.24 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
130.81 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
74.97 KB
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
Maestría en Informática