Metodología para el apoyo al diagnóstico de cáncer a partir de imágenes de resonancia magnética multiparamétrica, integrando características radiómicas y modelos de aprendizaje profundo

Marín Castrillón, Diana Marcela

View/Open

Texto completo (57.28Mb)

Date

2019

Author

Marín Castrillón, Diana Marcela

Advisor

Díaz Cabrera, Gloria Mercedes

TY - GEN T1 - Metodología para el apoyo al diagnóstico de cáncer a partir de imágenes de resonancia magnética multiparamétrica, integrando características radiómicas y modelos de aprendizaje profundo AU - Marín Castrillón, Diana Marcela Y1 - 2019 UR - http://hdl.handle.net/20.500.12622/3984 PB - Instituto Tecnológico Metropolitano AB - El desarrollo de tecnologías para mejorar el diagnóstico y pronóstico de cáncer es un tema de investigación prioritario a nivel mundial. En particular, el diagnóstico por imagen ha presentado avances importantes, permitiendo la detección de tejidos tumorales en etapas tempranas de desarrollo. Sin embargo, el alto nivel de subjetividad en el diagnóstico genera una alta variabilidad inter e intra-observador, que produce un número importante de diagnósticos errados, en particular para cánceres en tejidos blandos, donde el tumor se confunde con el tejido de soporte. En los ´últimos años, una tecnología para el apoyo al diagnóstico y pronóstico de cáncer a partir de imágenes denominada radió mica, ha tomado relevancia debido a sus buenos resultados. Esta tecnología aprovecha las diferentes modalidades de imagen para extraer características en diferentes niveles de representación, que son analizadas por técnicas de minería de datos para la detección de patrones asociados a la enfermedad, aun en estadios no visibles para el experto. Por lo general, el uso de estas tecnologías implica, además, la segmentación de la región tumoral, lo que demanda una gran cantidad de tiempo en el proceso de lectura por parte del especialista, o una alta dependencia del método de segmentación, cuando esta se realiza automáticamente. Por otro lado, otra tecnología conocida como aprendizaje profundo, se basa en el uso de extensas arquitecturas de redes neuronales que aprenden directamente a partir de los datos observados, eliminando la necesidad de realizar una extracción o cálculo de características específicas previo al proceso de aprendizaje. Estas técnicas han mostrado resultados prometedores en el análisis y representación de información de imágenes de resonancia magnética, aun cuando la mayoría de aproximaciones han estado orientadas al análisis de información 2D extraída de tumores segmentados, desaprovechando la información 3D que proveen estas imágenes. Teniendo en cuenta lo anterior, en esta tesis se propuso una metodología para el diagnóstico de cáncer en tejidos blandos, basada en la integración de características radiómicas y profundas, que permitan la descripción de la información 3D contenida en múltiples secuencias de resonancia magnética, obviando procesos de segmentación o extracción de características morfológicas. El desempeño de la metodología se evaluó en la tarea de clasificación de hallazgos positivos y negativos en imágenes de resonancia magnética de seno, obteniendo resultados comparables con los reportados en el estado del arte ER - @misc{20.500.12622_3984, author = {Marín Castrillón Diana Marcela}, title = {Metodología para el apoyo al diagnóstico de cáncer a partir de imágenes de resonancia magnética multiparamétrica, integrando características radiómicas y modelos de aprendizaje profundo}, year = {2019}, abstract = {El desarrollo de tecnologías para mejorar el diagnóstico y pronóstico de cáncer es un tema de investigación prioritario a nivel mundial. En particular, el diagnóstico por imagen ha presentado avances importantes, permitiendo la detección de tejidos tumorales en etapas tempranas de desarrollo. Sin embargo, el alto nivel de subjetividad en el diagnóstico genera una alta variabilidad inter e intra-observador, que produce un número importante de diagnósticos errados, en particular para cánceres en tejidos blandos, donde el tumor se confunde con el tejido de soporte. En los ´últimos años, una tecnología para el apoyo al diagnóstico y pronóstico de cáncer a partir de imágenes denominada radió mica, ha tomado relevancia debido a sus buenos resultados. Esta tecnología aprovecha las diferentes modalidades de imagen para extraer características en diferentes niveles de representación, que son analizadas por técnicas de minería de datos para la detección de patrones asociados a la enfermedad, aun en estadios no visibles para el experto. Por lo general, el uso de estas tecnologías implica, además, la segmentación de la región tumoral, lo que demanda una gran cantidad de tiempo en el proceso de lectura por parte del especialista, o una alta dependencia del método de segmentación, cuando esta se realiza automáticamente. Por otro lado, otra tecnología conocida como aprendizaje profundo, se basa en el uso de extensas arquitecturas de redes neuronales que aprenden directamente a partir de los datos observados, eliminando la necesidad de realizar una extracción o cálculo de características específicas previo al proceso de aprendizaje. Estas técnicas han mostrado resultados prometedores en el análisis y representación de información de imágenes de resonancia magnética, aun cuando la mayoría de aproximaciones han estado orientadas al análisis de información 2D extraída de tumores segmentados, desaprovechando la información 3D que proveen estas imágenes. Teniendo en cuenta lo anterior, en esta tesis se propuso una metodología para el diagnóstico de cáncer en tejidos blandos, basada en la integración de características radiómicas y profundas, que permitan la descripción de la información 3D contenida en múltiples secuencias de resonancia magnética, obviando procesos de segmentación o extracción de características morfológicas. El desempeño de la metodología se evaluó en la tarea de clasificación de hallazgos positivos y negativos en imágenes de resonancia magnética de seno, obteniendo resultados comparables con los reportados en el estado del arte}, url = {http://hdl.handle.net/20.500.12622/3984} }RT Generic T1 Metodología para el apoyo al diagnóstico de cáncer a partir de imágenes de resonancia magnética multiparamétrica, integrando características radiómicas y modelos de aprendizaje profundo A1 Marín Castrillón, Diana Marcela YR 2019 LK http://hdl.handle.net/20.500.12622/3984 PB Instituto Tecnológico Metropolitano AB El desarrollo de tecnologías para mejorar el diagnóstico y pronóstico de cáncer es un tema de investigación prioritario a nivel mundial. En particular, el diagnóstico por imagen ha presentado avances importantes, permitiendo la detección de tejidos tumorales en etapas tempranas de desarrollo. Sin embargo, el alto nivel de subjetividad en el diagnóstico genera una alta variabilidad inter e intra-observador, que produce un número importante de diagnósticos errados, en particular para cánceres en tejidos blandos, donde el tumor se confunde con el tejido de soporte. En los ´últimos años, una tecnología para el apoyo al diagnóstico y pronóstico de cáncer a partir de imágenes denominada radió mica, ha tomado relevancia debido a sus buenos resultados. Esta tecnología aprovecha las diferentes modalidades de imagen para extraer características en diferentes niveles de representación, que son analizadas por técnicas de minería de datos para la detección de patrones asociados a la enfermedad, aun en estadios no visibles para el experto. Por lo general, el uso de estas tecnologías implica, además, la segmentación de la región tumoral, lo que demanda una gran cantidad de tiempo en el proceso de lectura por parte del especialista, o una alta dependencia del método de segmentación, cuando esta se realiza automáticamente. Por otro lado, otra tecnología conocida como aprendizaje profundo, se basa en el uso de extensas arquitecturas de redes neuronales que aprenden directamente a partir de los datos observados, eliminando la necesidad de realizar una extracción o cálculo de características específicas previo al proceso de aprendizaje. Estas técnicas han mostrado resultados prometedores en el análisis y representación de información de imágenes de resonancia magnética, aun cuando la mayoría de aproximaciones han estado orientadas al análisis de información 2D extraída de tumores segmentados, desaprovechando la información 3D que proveen estas imágenes. Teniendo en cuenta lo anterior, en esta tesis se propuso una metodología para el diagnóstico de cáncer en tejidos blandos, basada en la integración de características radiómicas y profundas, que permitan la descripción de la información 3D contenida en múltiples secuencias de resonancia magnética, obviando procesos de segmentación o extracción de características morfológicas. El desempeño de la metodología se evaluó en la tarea de clasificación de hallazgos positivos y negativos en imágenes de resonancia magnética de seno, obteniendo resultados comparables con los reportados en el estado del arte OL Spanish (121)

Bibliographic managers

Refworks

Zotero

BibTeX

CiteULike

Metadata

Show full item record

PDF Documents

Abstract

El desarrollo de tecnologías para mejorar el diagnóstico y pronóstico de cáncer es un tema de investigación prioritario a nivel mundial. En particular, el diagnóstico por imagen ha presentado avances importantes, permitiendo la detección de tejidos tumorales en etapas tempranas de desarrollo. Sin embargo, el alto nivel de subjetividad en el diagnóstico genera una alta variabilidad inter e intra-observador, que produce un número importante de diagnósticos errados, en particular para cánceres en tejidos blandos, donde el tumor se confunde con el tejido de soporte. En los ´últimos años, una tecnología para el apoyo al diagnóstico y pronóstico de cáncer a partir de imágenes denominada radió mica, ha tomado relevancia debido a sus buenos resultados. Esta tecnología aprovecha las diferentes modalidades de imagen para extraer características en diferentes niveles de representación, que son analizadas por técnicas de minería de datos para la detección de patrones asociados a la enfermedad, aun en estadios no visibles para el experto. Por lo general, el uso de estas tecnologías implica, además, la segmentación de la región tumoral, lo que demanda una gran cantidad de tiempo en el proceso de lectura por parte del especialista, o una alta dependencia del método de segmentación, cuando esta se realiza automáticamente. Por otro lado, otra tecnología conocida como aprendizaje profundo, se basa en el uso de extensas arquitecturas de redes neuronales que aprenden directamente a partir de los datos observados, eliminando la necesidad de realizar una extracción o cálculo de características específicas previo al proceso de aprendizaje. Estas técnicas han mostrado resultados prometedores en el análisis y representación de información de imágenes de resonancia magnética, aun cuando la mayoría de aproximaciones han estado orientadas al análisis de información 2D extraída de tumores segmentados, desaprovechando la información 3D que proveen estas imágenes. Teniendo en cuenta lo anterior, en esta tesis se propuso una metodología para el diagnóstico de cáncer en tejidos blandos, basada en la integración de características radiómicas y profundas, que permitan la descripción de la información 3D contenida en múltiples secuencias de resonancia magnética, obviando procesos de segmentación o extracción de características morfológicas. El desempeño de la metodología se evaluó en la tarea de clasificación de hallazgos positivos y negativos en imágenes de resonancia magnética de seno, obteniendo resultados comparables con los reportados en el estado del arte

Abstract

The development of technologies to improve the diagnosis and prognosis of cancer is a subject of priority research worldwide. In particular, medical imaging has presented significant advances, allowing the detection of tumor tissues in the early stages of development. However, the high level of subjectivity in the diagnosis generates a high inter and intra-observer variability, mainly in the soft tissue cases, due that the tumor is confused with the supporting tissue. In recent years, radiomic has emerged as a promising technology for developing systems to support the diagnosis and prognosis of cancer based on medical images. This technology takes advantage of different imaging modalities to extract features at different levels of representation, which are analyzed by data mining techniques for pattern recognition associated with this disease, even in the early stages. Generally, the use of these technologies also requires an accurate tumor segmentation, which is time-consuming for the specialist if it is manually performed, or highly dependant on segmentation results if automatic segmentation is implemented. On the other hand, another technology known as deep learning is based on the use of extensive neural network architectures that learn directly from the observed data, eliminating the need to perform the extraction of specific features before the learning process. These techniques have shown promising results in the analysis and representation of information from magnetic resonance images, even though most of the approaches have been oriented to the analysis of 2D information extracted from segmented tumors, missing the 3D information provided by these images. Considering the above mentioned, in this thesis we proposed a methodology for the diagnosis of soft tissue cancer, based on the integration of radiomics and deep features, which allow the description of 3D information contained in multiple magnetic resonance sequences, obviating processes of segmentation or extraction of morphological features. The performance of the methodology is evaluated in the tares of classification of positive and negative results in magnetic resonance images of the breast, obtaining results comparable with those reported in state of the art