Segmentación multinivel de patrones de Gleason usando representaciones convolucionales en imágenes histopatológicas

Palabras clave: Segmentación semántica, aprendizaje profundo, puntuación de Gleason, imágenes histopatológicas, cáncer de próstata

Resumen

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.

Biografía del autor/a

Andrés Gómez, Universidad Industrial de Santander, Colombia

Biomedical Imaging, Vision and Learning Laboratory – BIVL2ab, Universidad Industrial de Santander (UIS), Bucaramanga-Colombia, andres.gomez25@correo.uis.edu.co

Fabián León-Pérez, Universidad Industrial de Santander, Colombia

Biomedical Imaging, Vision and Learning Laboratory – BIVL2ab, Universidad Industrial de Santander (UIS), Bucaramanga-Colombia, fabian.leon@saber.uis.edu.co

Miguel Plazas-Wadynski, Universidad Industrial de Santander, Colombia

Biomedical Imaging, Vision and Learning Laboratory – BIVL2ab, Universidad Industrial de Santander (UIS) Bucaramanga-Colombia, miguel.plazas@saber.uis.edu.co

Fabio Martínez-Carrillo*, Universidad Industrial de Santander

Biomedical Imaging, Vision and Learning Laboratory – BIVL2ab, Universidad Industrial de Santander (UIS), Bucaramanga-Colombia, famarcar@saber.uis.edu.co

Referencias bibliográficas

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

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

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

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

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

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

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

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

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

Computer-Assisted Intervention, R. Larsen; M. Nielsen; J. Sporring, Eds. 2006. https://doi.org/10.1007/11866763_62

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

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

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

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

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

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

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

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

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

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

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

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

L. Tsung-Yi et al., “COCO API - Dataset”, 2020. https://github.com/cocodataset/cocoapi

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

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

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

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

Cómo citar
[1]
A. . Gómez, F. . León-Pérez, M. . Plazas-Wadynski, y F. . Martínez-Carrilo, «Segmentación multinivel de patrones de Gleason usando representaciones convolucionales en imágenes histopatológicas», TecnoL., vol. 24, n.º 52, p. e2132, dic. 2021.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2021-12-16
Sección
Artículos de investigación

Métricas

Crossref Cited-by logo