Multilevel Segmentation of Gleason Patterns using Convolutional Representations in Histopathological Images

Gómez, Andrés; León-Pérez, Fabián; Plazas-Wadynski, Miguel; Martínez-Carrilo, Fabio

Multilevel Segmentation of Gleason Patterns using Convolutional Representations in Histopathological Images

dc.creator	Gómez, Andrés
dc.creator	León-Pérez, Fabián
dc.creator	Plazas-Wadynski, Miguel
dc.creator	Martínez-Carrilo, Fabio
dc.date	2021-12-16
dc.date.accessioned	2025-10-01T23:52:45Z
dc.description	The Gleason score is the most widely used grading system to diagnose and quantify the aggressiveness of prostate cancer, stratifying regional abnormal patterns on histological images. Nonetheless, recent studies into the Gleason score have reported moderate concordance values of 0.55 (kappa value) in the diagnosis of the disease. This study introduces a convolutional representation for the semantic segmentation and stratification of regions in histological images implementing the Gleason score and three levels of representation. On the first level, a regional network of the Mask R-CNN type is trained with complete annotations to define regional delineations, being effective in locations with general structures. On the second level, using the same architecture, a model is trained only with overlapping annotations from the first scheme, which are difficult-to-classify regions. Finally, a third level of representation produces a more granular description of the regions, considering the regions resulting from the activations of the first level. The final segmentation results from the superposition of the three levels of representation. The proposed strategy was validated and trained on a public set with 886 histological images. The segmentations thus generated achieved an average Area Under the Precision-Recall Curve (AUPRC) of 0.8 ± 0.18 and 0.76 ± 0.15 regarding the diagnoses of two pathologists, respectively. The results show regional intersection levels close to those of the reference pathologists. The proposed strategy is a potential tool to be implemented in clinical support and analysis.	en-US
dc.description	El sistema de puntuación de Gleason es el más utilizado para diagnosticar y cuantificar la agresividad del cáncer de próstata, estratificando regionalmente patrones anormales en imágenes histológicas. A pesar de ello, estudios recientes han reportado valores moderados de concordancia de 0.55, según el valor kappa en el diagnóstico de la enfermedad. Este estudio introduce una representación convolucional para la segmentación y estratificación semántica de regiones en imágenes histológicas implementando la puntuación de Gleason y tres niveles de representación. Para ello, en un primer nivel, se entrenó una red regional de tipo Mask R-CNN con anotaciones completas, lo que permitió definir delineaciones regionales, siendo efectivo en localizaciones con estructuras generales. En un segundo nivel, usando la misma arquitectura, se entrenó un modelo únicamente con anotaciones superpuestas del primer esquema, y que constituyen regiones con dificultad de clasificación. Finalmente, un tercer nivel de representación permitió una descripción más granular de las regiones, considerando las regiones resultantes de las activaciones del primer nivel. La segmentación final resultó de la superposición de los tres niveles de representación. La estrategia propuesta se validó y entrenó en un conjunto público con 886 imágenes histológicas. Las segmentaciones así generadas alcanzaron una media del Área Bajo la Curva de Precisión-Recalificación (AUPRC) de 0.8 ± 0.18 y 0.76 ± 0.15 respecto a los diagnósticos de dos patólogos, respectivamente. Los resultados muestran niveles de intersección regional cercanos a los de los patólogos de referencia. La estrategia propuesta es una herramienta potencial para ser implementada en el apoyo y análisis clínico.	es-ES
dc.format	application/pdf
dc.format	application/zip
dc.format	text/xml
dc.format	text/html
dc.identifier	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/2132
dc.identifier	10.22430/22565337.2132
dc.identifier.uri	https://hdl.handle.net/20.500.12622/7804
dc.language	spa
dc.publisher	Instituto Tecnológico Metropolitano (ITM)	es-ES
dc.relation	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/2132/2211
dc.relation	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/2132/2224
dc.relation	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/2132/2225
dc.relation	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/2132/2253
dc.relation	/ref/F. Bray; J. Ferlay; I. Soerjomataram; R. L. Siegel; L. A. Torre; A. Jemal, “Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA: A Cancer j. Clinic., vol. 68, no. 6, pp. 394–424, Nov. 2018. https://doi.org/10.3322/caac.21492
dc.relation	/ref/E. Bley; A. Silva, “Diagnóstico precoz del cáncer de próstata,” Rev.Méd. Clín. Las Condes, vol. 22, no. 4, pp. 453–458, Jul. 2011. https://doi.org/10.1016/S0716-8640(11)70450-3
dc.relation	/ref/A. I. Ruiz López; J. C. Pérez Mesa, Y. Cruz Batista; L. E. González Lorenzo, “Actualización sobre cáncer de próstata,” ccm, vol. 21, no. 3, Jul. 2017. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1560-43812017000300021
dc.relation	/ref/American Cancer Society, “Pruebas para diagnosticar y determinar la etapa del cáncer de próstata,” 2019. https://www.cancer.org/es/cancer/cancer-de-prostata/deteccion-diagnostico-clasificacion-por-etapas/como-se-diagnostica.html
dc.relation	/ref/D. F. R. Griffiths et al., “A study of Gleason score interpretation in different groups of UK pathologists; techniques for improving reproducibility,” Histopathology, vol. 48, no. 6, pp. 655–662, May. 2006. https://doi.org/10.1111/j.1365-2559.2006.02394.x
dc.relation	/ref/K. C. Coard; V. L. Freeman, “Gleason Grading of Prostate Cancer: Level of Concordance Between Pathologists at the University Hospital of the West Indies,” Am. J. Clin. Pathol, vol. 122, no. 3, pp. 373–376, Sep. 2004. https://doi.org/10.1309/MHCY35FJ296CLLC8
dc.relation	/ref/M. McLean; J Srigley; D. Banerjee; P. Warde; Y. Hao, “Interobserver variation in prostate cancer gleason scoring: Are there implications for the design of clinical trials and treatment strategies?,” Clin. Oncol., vol. 9, no. 4, pp. 222–225, Jan. 1997. https://doi.org/10.1016/S0936-6555(97)80005-2
dc.relation	/ref/S. Doyle; M. Hwang; K. Shah; A. Madabhushi; M. Feldman; J. Tomaszeweski, “Automated grading of prostate cancer using architectural and textural image features,” in 4th IEEE Inter. Symp. Biomed. Imaging: From Nano to Macro, pp. 1284–1287, Arlington 2007. http://doi.org/10.1109/ISBI.2007.357094
dc.relation	/ref/S. Doyle; A. Madabhushi; M. Feldman; John Tomaszeweski, “A boosting cascade for automated detection of prostate cancer from digitized histology,” in Medical Image Computing and
dc.relation	/ref/Computer-Assisted Intervention, R. Larsen; M. Nielsen; J. Sporring, Eds. 2006. https://doi.org/10.1007/11866763_62
dc.relation	/ref/R. Farjam; H. Soltanian-Zadeh; K. Jafari-Khouzani; R. A. Zoroofi, “An image analysis approach for automatic malignancy determination of prostate pathological images,” Cytom. Part B Clin. Cytom., vol. 72B, no. 4, pp. 227–240, Jul. 2007. https://doi.org/10.1002/cyto.b.20162
dc.relation	/ref/E. Arvaniti et al., “Automated Gleason grading of prostate cancer tissue microarrays via deep learning,” Scientific reports, vol. 8, Aug. 2018. https://doi.org/10.1038/s41598-018-30535-1
dc.relation	/ref/F. León; M. Plazas; F. Martínez, “An inception deep architecture to differentiate close-related Gleason prostate cancer scores,” in 15th Inter. Symp. Med. Info. Proces. Anal., Medellín, 2019. https://doi.org/10.1117/12.2547113
dc.relation	/ref/E. Payá Bosch, “Diseño y desarrollo de un sistema automático de segmentación de glándulas histológicas para identificar el cáncer de próstata en una etapa inicial,” Tesis de Maestría, Univ. Pol. Valencia, 2019. http://hdl.handle.net/10251/129307
dc.relation	/ref/J. G. García Pardo, “Diseño y desarrollo de un sistema automático de clasificación de estructuras glandulares en imágenes histológicas de próstata,” Tesis de maestría, Univ. Pol. Valencia, 2018. http://hdl.handle.net/10251/109246
dc.relation	/ref/W. Bulten et al., “Automated deep- learning system for Gleason grading of prostate cancer using biopsies: A diagnostic study,” Lancet Oncol., vol. 21. no. 2, pp. 233- 242, Feb. 2020. https://doi.org/10.1016/S1470-2045(19)30739-9
dc.relation	/ref/I. Nathan et al., “Semantic segmentation for prostate cancer grading by convolutional neural networks,” in Medical Imaging 2018: Digital Pathology, Houston, 2018. https://doi.org/10.1117/12.2293000
dc.relation	/ref/K. He; G. Gkioxari; P. Dollár; R. Girshick, “Mask r-cnn,” in Proc. IEEE Inter. Conf. Computer vision, Venice, 2017. https://doi.org/10.1109/ICCV.2017.322
dc.relation	/ref/A. Babenko Yandex; V. Lempitsky, “Aggregating local deep features for image retrieval,” in 2015 IEEE Inter, Conf. Comp. Vision (ICCV),). https://doi.org/10.1109/ICCV.2015.150
dc.relation	/ref/Y. Kalantidis; C. Mellina; S. Osindero, “Crossdimensional weighting for aggregated deep convolutional features,” in European conference on computer vision, Lecture Notes in Computer Science, vol. 9913. Springer, Cham, 2016. https://doi.org/10.1007/978-3-319-46604-0_48
dc.relation	/ref/E. Arvaniti et al., “Replication data for: Automated Gleason grading of prostate cancer tissue microarrays via deep learning,” 2018. https://doi.org/10.7910/DVN/OCYCMP
dc.relation	/ref/Q. Zhong et al., “A curated collection of tissue microarray images and clinical outcome data of prostate cancer patients,” Scientific data, vol. 4, 170014, Mar. 2017. https://doi.org/10.1038/sdata.2017.14
dc.relation	/ref/L. Tsung-Yi et al., “COCO API - Dataset”, 2020. https://github.com/cocodataset/cocoapi
dc.relation	/ref/D. García Seisdedos, “Segmentación de núcleos celulares en imágenes de microscopía ayudados por redes neuronales convolucionales,” Trabajo de grado, Univ. Oberta Catalunya, 2018. http://hdl.handle.net/10609/82134
dc.relation	/ref/D. Marín Soto, “Segmentación de células mediante técnicas de Procesamiento Digital de Imágenes para el rastreo de células cancerosas,” Trabajo de grado, Inst. Tec. Costa Rica, 2018. https://hdl.handle.net/2238/10383
dc.relation	/ref/P. Henderson; V. Ferrari, “End-to-End Training of Object Class Detectors for Mean Average Precision,” in Lecture Notes in Computer Science, vol. 10115, pp. 198–213, Springer, Cham. 2017. https://doi.org/10.1007/978-3-319-54193-8_13
dc.relation	/ref/K. Boyd; K. H. Eng; C. D. Page, “Area under the Precision-Recall Curve: Point Estimates and Confidence Intervals,” in Lecture Notes in Computer Science, vol. 8190, Springer, Berlin, Heidelberg. 2013. https://doi.org/10.1007/978-3-642-40994-3_29
dc.rights	Derechos de autor 2021 TecnoLógicas	es-ES
dc.source	TecnoLógicas; Vol. 24 No. 52 (2021); e2132	en-US
dc.source	TecnoLógicas; Vol. 24 Núm. 52 (2021); e2132	es-ES
dc.source	2256-5337
dc.source	0123-7799
dc.subject	Semantic segmentation	en-US
dc.subject	deep learning	en-US
dc.subject	Gleason score	en-US
dc.subject	histopathological images	en-US
dc.subject	prostate cancer	en-US
dc.subject	Segmentación semántica	es-ES
dc.subject	aprendizaje profundo	es-ES
dc.subject	puntuación de Gleason	es-ES
dc.subject	imágenes histopatológicas	es-ES
dc.subject	cáncer de próstata	es-ES
dc.title	Multilevel Segmentation of Gleason Patterns using Convolutional Representations in Histopathological Images	en-US
dc.title	Segmentación multinivel de patrones de Gleason usando representaciones convolucionales en imágenes histopatológicas	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion
dc.type	Research Papers	en-US
dc.type	Artículos de investigación	es-ES