Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)Martinez Carrillo, FabioOlmos Rojas, Juan AndrésHurtado Rodríguez, César Luis2024-11-072024-11-072024-11-052024-11-05https://noesis.uis.edu.co/handle/20.500.14071/44519El 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%.application/pdfspainfo:eu-repo/semantics/openAccessCáncer de próstataLesión csPCaBP-MRIEmbebidosUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coProstate cancercsPCa lesionBP-MRIEmbeddingshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)