WO2020223780A1 - Método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica - Google Patents

Método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica Download PDF

Info

Publication number
WO2020223780A1
WO2020223780A1 PCT/BR2020/050153 BR2020050153W WO2020223780A1 WO 2020223780 A1 WO2020223780 A1 WO 2020223780A1 BR 2020050153 W BR2020050153 W BR 2020050153W WO 2020223780 A1 WO2020223780 A1 WO 2020223780A1
Authority
WO
WIPO (PCT)
Prior art keywords
prostate
areas
algorithm
module
suspected
Prior art date
Application number
PCT/BR2020/050153
Other languages
English (en)
French (fr)
Inventor
Silvio MORETO PEREIRA
Victor MARTINS TONSO
Pedro Henrique DE ARAÚJO AMORIM
Ronaldo HUEB BARONI
Heitor DE MORAES SANTOS
Guilherme GOTO ESCUDERO
Artur AUSTREGESILO SCUSSEL
Original Assignee
Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein filed Critical Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein
Priority to US17/609,295 priority Critical patent/US20220215537A1/en
Publication of WO2020223780A1 publication Critical patent/WO2020223780A1/pt

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4375—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the male reproductive system
    • A61B5/4381—Prostate evaluation or disorder diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30081—Prostate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Definitions

  • the present invention relates to a method for identifying and classifying prostate lesions in multiparametric magnetic resonance images and, more specifically, to a computer aided method capable of identifying and classifying prostate lesions according to their malignancy.
  • Multiparametric magnetic resonance is an imaging method that allows the evaluation of prostatic disease with high spatial resolution and high contrast of soft tissues.
  • RM-mp comprises a combination of high resolution anatomical images with at least one functional imaging technique, such as, for example, dynamic contrast enhancement (DCE) and heavy diffusion images (DWI).
  • DCE dynamic contrast enhancement
  • DWI heavy diffusion images
  • RM-mp has become an important tool in the detection and staging of prostate cancer (CaP), allowing an increased detection of this type of tumor.
  • PSA Prostatic Specific Antigen
  • DRE digital rectal examination
  • Document US2017 / 0176565 describes methods and systems for the diagnosis of prostate cancer, comprising extracting texture information from MRI imaging data for a target organ, with the identification of frequent texture patterns can be indicative of cancer.
  • a classification model is generated based on the determined texture characteristics that are indicative of cancer, and diagnostic cancer prediction information for the target organ is then generated to help diagnose cancer in the organ.
  • Document US2018 / 0240233 describes a method and an apparatus for the detection and automated classification of prostate tumors in MRI multiparametric magnetic resonance images).
  • the simultaneous detection and classification of prostate tumors in the set of multiparametric MRI images are performed using a trained multi-channel image-image convolutional encoder-decoder.
  • the present invention achieves these and other objectives through a method for identifying and classifying prostate lesions in multiparametric magnetic resonance images, comprising a zonal segmentation module of the prostate, a module for identifying areas suspected of prostate injury , and an injury classification module.
  • the method comprises the execution of the zonal segmentation module of the prostate comprising an algorithm to segment, from T2-weighted image sequences of the multiparametric magnetic resonance images, the peripheral and transitional areas of the prostate; the execution of the module to identify suspected areas of prostate injury, comprising the processing of ADC maps and diffusion-weighted images (DWI) for the identification of suspected areas of prostate injury, each of the identified suspect areas having a centroid; and the execution of the lesion classification module which comprises a classifier that is fed by cubes of predetermined area centered on the centroides of the suspected areas of prostate injury, the classifier comprising a first classifier algorithm, which is fed with slices of the cubes and generates a probability of clinical significance of the lesion, and a second classifier algorithm, which is fed with the probability generated by the first algorithm, information from the zonal segmentation module of the prostate and statistical information obtained from T2-weighted image sequences, to provide a probability of suspected areas of clinically significant cancer.
  • the execution of the zonal segmentation module of the prostate
  • the algorithm for segmenting the peripheral and transitional zones of the prostate is a trained algorithm with manual delimitation data of the peripheral and transitional zones of the prostate.
  • the algorithm to segment the peripheral and transitional zones of the prostate is an algorithm based on a convolutional neural network (CNN) based on the U-Net 2D topology.
  • CNN convolutional neural network
  • the T2-weighted image sequences fed into the zonal segmentation module of the prostate can be previously processed with adaptive equalization, image normalization and central section.
  • the processing of ADC maps and diffusion-weighted images (DWI) comprises:
  • the cubes of predetermined area centered on the centroides of the areas suspected of prostate injury are preferably cubes with 30 mm edges.
  • the first classifier algorithm of the lesion classification module is a 2D modified VGG-16 convolutional network and the second classifier algorithm is a random forest algorithm.
  • Figure 1 - is a schematic flowchart of the method for identification and classification of prostate lesions in multiparametric magnetic resonance images according to the present invention
  • Figure 2 - is an illustration of the manual delimitation of the transitional and peripheral areas of the prostate in an magnetic resonance image
  • Figure 3 - is a schematic flowchart of the zonal segmentation module of the method for identification and classification of prostate lesions in multiparametric magnetic resonance images according to the present invention
  • Figure 4 - is a schematic flowchart of the identification module of suspected areas of prostate injury of the method for identification and classification of prostate injuries in multiparametric magnetic resonance images according to the present invention
  • Figure 5 - is a schematic flowchart of the prostate lesion classification module of the method for identification and classification of prostate lesions in multiparametric magnetic resonance images according to the present invention
  • Figure 6 - is an illustration of the segmentation metrics of the data sets resulting from the evaluation of the segmentation module, considering the delimitation of the transitional zone of the prostate;
  • Figure 7 - is an illustration of the segmentation metrics of data sets resulting from the evaluation of the segmentation module, considering the delimitation of the transitional zone of the prostate, when related to the notes of the radiologists;
  • Figure 8 - is an illustration of the segmentation metrics of the data sets resulting from the evaluation of the segmentation module, considering the delimitation of the peripheral zone of the prostate;
  • Figure 9 - is an illustration of the segmentation metrics of the data sets resulting from the evaluation of the segmentation module, considering the delimitation of the peripheral zone of the prostate, when related to the notes of the radiologists;
  • Figure 10 - illustrates the cross-validation ROC curve (VC) of the evaluation of the classification algorithm considering a set of test data
  • Figure 11 - illustrates the cross-validation ROC curve (VC), from the evaluation of the classification algorithm considering another set of test data
  • Figure 12 - illustrates the logic of the prostate segmentation of the segmentation module of the peripheral region using the segmentation information of the transitional and whole prostate models
  • Figure 13 - illustrates the topology of the neural network used for segmentation of the entire prostate, considering the left entry (image);
  • Figure 14 - illustrates the topology of the neural network used for segmentation of the entire prostate, considering the right entry (image);
  • Figure 15 - illustrates the topology of the neural network used for segmentation of the entire prostate, considering the main entrance (image);
  • Figure 16 - illustrates the topology of the neural network used for segmentation of the transitional region of the prostate, considering the left entrance (image);
  • Figure 17 - illustrates the topology of the neural network used for segmentation of the transitional region of the prostate, considering the right entry (image);
  • Figure 18 - illustrates the topology of the neural network used for segmentation of the transitional region of the prostate, considering the main entrance (image).
  • Figure 19 - illustrates the topology of the neural network used for the classification of prostate lesions.
  • the method for identifying and classifying prostate lesions in multiparametric magnetic resonance images of the present invention comprises the execution of three modules: a zonal segmentation module of the prostate (1), an identification module suspicious areas (2), and a lesion classification module (3).
  • the zonal segmentation module of the prostate comprises an algorithm to segment, from T2-weighted image sequences of multiparametric magnetic resonance images, the peripheral and transitional zones of the prostate
  • the algorithm to segment the peripheral and transitional areas of the prostate is a trained algorithm with manual delimitation data of the peripheral and transitional areas of the prostate.
  • manual delimitation can be done by an experienced professional, such as, for example, a radiologist with experience in multiparametric magnetic resonance images.
  • Figure 2 shows an example of manual delimitation, where the transitional zone (ZT) and the peripheral zone (ZP) can be seen.
  • zonal segmentation of the prostate is one of the inputs of the lesion classification module.
  • the zonal segmentation of the prostate uses an algorithm based on a convolutional neural network (CNN) based on the U-Net 2D topology to perform the segmentation of the entire prostate , delimiting the ZT and ZP, initially using images from the axial T2-weighted series.
  • CNN convolutional neural network
  • Figure 4 illustrates, schematically, the execution of the identification module of areas suspected of prostate injury (2).
  • the module for the identification of suspected areas of prostate injury comprises the processing of ADC maps and diffusion-weighted images (DWI) for the identification of suspected areas of prostate injury, each of the suspected areas identified having a centroid. .
  • DWI diffusion-weighted images
  • the suspicious areas identification algorithm of the second module applies image processing methods on ADC and DWI maps to locate areas with restricted diffusion.
  • a combination of the images is filtered by signal intensities and followed by morphological operations resulting in some sparse points in the prostate.
  • These image processing methods can include the application of a ReLU filter by the difference between ADC and DWI images, following the equation:
  • F (x, y, z) max (0, ADC (x, y, z) - DWI (x, y, z)) [0057]
  • processing can be carried out to merge and fill the cluster of nearby voxels, and such voxels are subsequently grouped through an agglomerative clustering process, so that the nearest voxels are considered to be from the same area suspect for analysis.
  • the output of the identification module of suspected areas of prostate injury (2) comprises centroides of suspicious areas.
  • the ReLU filter applied by the module to identify suspicious areas is based on the clinical observation that a radiologist makes for image diagnosis. As lesions shine on DWI images (b-valued) and turn dark on ADC images, subtraction allows the highlighting of zones that coincided positively, allowing the identification of areas of congruence.
  • Figure 5 schematically illustrates the execution of the injury classification module.
  • the classification module comprises a classifier that is fed by cubes of predetermined area centered on the centroides of the areas suspected of prostate injury.
  • the cubes centered on the centroides are cubes with 30 mm edges. This cube size value was chosen in order to guarantee the coverage of entire lesions with 15 mm, even if the identified centroid is on the edge of the lesion.
  • the classifier comprises a first classifier algorithm, which is fed with slices of the cubes and generates a probability of clinical significance of the lesion, and a second classifier algorithm, which is fed with the probability generated by the first algorithm, information from the module of zonal segmentation of the prostate and statistical information obtained from T2-weighted image sequences to provide a probability of clinically significant suspected cancer areas.
  • the first classifier algorithm of the lesion classification module is a 2D modified VGG-16 convolutional network and the second classifier algorithm is a random forest algorithm.
  • the image data sequences used to develop and train the method's algorithms were: T2-weighted and diffusion-weighted axial sequences (DWI), the latter with a B value of 800 and together with its post-processed ADC map.
  • DWI diffusion-weighted axial sequences
  • Each RM-mp exam was initially prepared to create a set of data of reference value (ground truth) for the tasks of zonal segmentation and identification and classification of prostate lesions.
  • the first consisted of the zonal segmentation module. For this, all slices of axial T2 acquisitions of all exams included in the RM-mp were analyzed individually and the zonal segmentation of the prostate was manually delimited showing the peripheral zone (ZP) and the transitional zone (ZT).
  • ZP peripheral zone
  • ZT transitional zone
  • the second stage consisted of creating a set of true reference data (ground truth) for the injury detection and classification algorithm.
  • 88 of the 163 series of images were used and classified according to the PI-RADS v2 guidelines [available in Weinreb, Jeffrey C., et al. "PI-RADS prostate imaging-reporting and data system: 2015, version 2.” European urology 69.1 (2016): 16-40] Again, all of these tests were analyzed individually by the same prostate radiologist with two years of experience, and of these 67 had no significant findings on MRI (PI-RADS 1 - 2) and a biopsy negative random. Thus, these 67 tests were considered to be true negatives in the data set.
  • the other 21 exams had at least one undetermined area or an area suspected of having a clinically significant lesion on Mp-RM (PI-RADS 3 or 4-5, respectively), and that area was confirmed as a significant tumor (Gleason> 6) in biopsy performed with a combination of RM_mp-US or prostatectomy. Thus, these 21 were considered to be true positives in the data set. For these cases, all injuries were noted, indicating the injury centroid in the 3D series.
  • the method of the present invention comprises three modules: (1) a zonal segmentation module, (2) a suspicious area identification module and (3) a lesion classification module.
  • the zonal segmentation module comprises an algorithm based on a convolutional neural network (CNN) based on topology 2D U-Net to perform the segmentation of the entire prostate, delimiting the transitional zone (ZT) and the peripheral zone (ZP).
  • CNN convolutional neural network
  • ZT transitional zone
  • ZP peripheral zone
  • the segmentation algorithm was trained with 100 patients and validated in 44 patients, then the final model was chosen based on the best score obtained in the validation data set during the training process.
  • the logic adopted for segmentation comprises segmentation of the entire prostate and segmentation of the transitional prostate. Segmentation of the peripheral region is basically segmentation of the transitional region minus the entire prostate.
  • Figures 13 to 15 show the topology of the neural network used for segmentation of the entire prostate, with figure 13 being the left entrance (image), figure 14 being the right entrance (image) and figure 16 being the central entrance ( Image).
  • Figures 16 to 18 show the topology of the neural network used for segmentation of the transitional zone, with figure 16 being the left entrance (image), figure 17 being the right entrance (image) and figure 18 being the central entrance ( Image).
  • the second module's suspicious area identification algorithm applies image processing methods on ADC and DWI maps to locate areas with restricted diffusion.
  • a combination of the images is filtered by signal intensities and followed by morphological operations resulting in some sparse points in the prostate.
  • the classifier was developed as a combination of two models whose entries are 30 mm cubes in the centroid of suspicious areas. This cube size value was chosen because the Pl-RADS 5 cut (the highest grade) is 15 mm. Thus, the choice guarantees the coverage of entire lesions with 15 mm, even if the identified centroid is on the edge of the lesion.
  • the image sequences used for this stage were: axial T2-weighted, DWI and ADC map.
  • the first model of the classifier comprises a convolutional network VGG-16 modified in 2D that receives the slices of cubes and generates the probability of clinical significance.
  • VGG-16 is proposed by Simonyan and Zisserman [Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition.]
  • the second classifier model is a random forest classifier that merges the outputs of the VGG with statistical characteristics (Maximum, Average, Standard Deviation, Asymmetry and Kurtosis), in addition to the tumor location (ZT or ZP) obtained in the segmentation.
  • the end result is the likelihood of clinically significant areas of suspected cancer.
  • Figure 19 shows the topology of the prostate lesion classification network.
  • the DICE coefficient (equation 1) also called the overlap index, is the most used metric in the validation of medical volume segmentations. It performs a harmonic mean between what was predicted (X) and the fundamental truth (Y):
  • Sensitivity, Recall or true positive rate measures the portion of positive voxels in the ground truth (TP) that are also identified as positive by the segmentation being evaluated (TP + FN), as described in equation 2:
  • the directed distance of Hausdorff h (A, B) corresponds to the value of the maximum distance of the set with the normal values
  • the HD (A, B) is obtained by the maximum value of h, as shown in the following equations:
  • HD (A, B) max (h (A, B), h ⁇ B, A))
  • the sensitivity score was also used to assess the identification of suspect areas. This metric was considered sufficient, as the objective of this module is to avoid the loss of true regions with lesions, that is, false negatives (FN) are undesirable and false positives (FR) are indifferent because the responsibility for eliminating them belongs to the classifier in the next step.
  • FN false negatives
  • FR false positives
  • a maximum distance of 5 mm between the centroides identified (by the algorithm) and the destination (reference value - ground truth) was considered as a criterion for representing the same area.
  • the lesion classification module was evaluated using the Receiver Operating Characteristic (ROC) curve and its area under the curve. It has a significant interpretation for the classification of diseases in healthy individuals and has also been adopted as the classification metric by the PROSTATEx Challenge 2017, making it possible to better compare the performance of the method with the state of the art for the classification of prostate injury.
  • ROC Receiver Operating Characteristic
  • Zone Targeting Considering the database of 163 patients for the zonal segmentation stage, 44 patients were selected as a validation data set and 19 patients were selected as a test data set.
  • Table 1 below and the distributions shown in figure 6 show the segmentation metrics of the data sets.
  • figure 7 shows the DICE distribution between the field notes of two radiologists, in order to illustrate the interoperator variability of the problem.
  • figure 8 shows the segmentation metrics of the data sets.
  • figure 9 shows the DICE distribution between the field notes of two radiologists, in order to illustrate the interoperability variability of the problem.
  • the suspicious area identification module is capable of automating the search for clinically significant lesions by tracking diffusion restriction areas with image processing methods.
  • Table 4 below shows the Precision and Recall metrics for the cross validation of the 5 partitions applied to the PROSTATEx training data set.
  • the classification module algorithm was also evaluated in the test database of 88 exams to make a more robust analysis in relation to the generalization of the model and evaluate its performance without K-trans maps.
  • the AUCROC obtained was 0.82 for the test data set (see Figure 1 1).

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

A presente invenção refere-se a um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica, que inclui um módulo de segmentação zonal da próstata, um módulo de identificação de áreas suspeitas de lesão da próstata, e um módulo de classificação de lesões, que utiliza sequências de imagens ponderadas em T2, mapas ADC e imagens ponderadas por difusão (DWI) da ressonância magnética multiparamétrica para fornecer uma probabilidade de áreas suspeitas de câncer clinicamente significativo.

Description

“MÉTODO PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE LESÕES DE PRÓSTATA EM IMAGENS DE RESSONÂNCIA MAGNÉTICA MULTI PARAMÉTRICA”
CAMPO DA INVENÇÃO
[001] A presente invenção refere-se a um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica e, mais especificamente, a um método auxiliado por computador capaz de identificar e classificar lesões de próstata de acordo com a sua malignidade.
FUNDAMENTOS DA INVENÇÃO
[002] A ressonância magnética multiparamétrica (RM-mp) é um método de imagem que permite a avaliação da doença prostática com alta resolução espacial e alto contraste de partes moles. A RM-mp compreende uma combinação de imagens anatômicas de alta resolução com pelo menos uma técnica de imagem funcional, como, por exemplo realce dinâmico pelo contraste (DCE) e imagens pesadas em difusão (DWI).
[003] Dadas as suas características, a RM-mp vem se tornando uma ferramenta importante na detecção e estadiamento do câncer de próstata (CaP), permitindo um aumento da detecção desse tipo de tumor.
[004] Um dos métodos de detecção de CaP até então mais recomendados pelas sociedades de urologia é rastreamento com dosagem do Antígeno Prostático Específico (PSA) e exame retal digital (DRE). Se um ou ambos são alterados, é realizado um estudo histopatológico de tecido obtido por biópsia de próstata guiada por ultrassom aleatório.
[005] O estado da técnica já prevê o uso da RM-mp na prática clínica de urologistas antes da biópsia para estratificar com precisão a chance de encontrar uma lesão clinicamente significativa e orientar a biópsia, de preferência com um procedimento de biópsia guiada por imagem de fusão.
[006] Um desafio presente na aplicação desse tipo de técnica para a identificação do CaP é a crescente demanda por radiologistas adequadamente treinados e capazes para ler e interpretar os exames. [007] Assim, foram desenvolvidos métodos automatizados para interpretação dos resultados desse tipo de técnica.
[008] O documento US2017/0176565, por exemplo, descreve métodos e sistemas para o diagnóstico de câncer na próstata, compreendendo extrair informação de textura de dados de imagiologia de MRI para um órgão alvo, sendo que a identificação de padrões de textura frequentes podem ser indicativos de câncer. Um modelo de classificação é gerado com base nas características de textura determinadas que são indicativas de câncer, e a informação de previsão de câncer de diagnóstico para o órgão alvo é então gerada para ajudar a diagnosticar o câncer no órgão.
[009] Já o documento US2018/0240233, descreve um método e um aparelho para detecção e classificação automatizada de tumores de próstata em imagens de ressonância magnética multiparamétrica MRI). Um conjunto de imagens de MRI multiparamétrica de um paciente, incluindo uma pluralidade de diferentes tipos de imagens de MRI, é recebido. A detecção simultânea e a classificação dos tumores de próstata no conjunto de imagens multiparamétricas da RM são realizadas usando um codificador-decodificador convolucional treinado multi-canal imagem- imagem.
[0010] Apesar das soluções recentes em desenvolvimento, permanece no estado da técnica a necessidade por um método eficaz e de baixo custo, capaz de executar com rapidez e precisão a interpretação dos resultados da RM-mp.
OBJETIVOS DA INVENÇÃO
[0011] É um dos objetivos da presente invenção proporcionar um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica que seja capaz de ler imagens de ressonância magnética multiparamétrica, segmentando automaticamente a anatomia da próstata e detectando áreas suspeitas clinicamente significativas para o câncer de próstata. [0012] É mais um dos objetivos da presente invenção proporcionar um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica que permita a identificação mais assertiva das lesões, ao realizar previamente a segmentação zonal da próstata em zonas transicional e periférica.
[0013] É ainda outro dos objetivos da presente invenção proporcionar um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica que não utilize mapas K-trans, dispensando a ingestão de contraste pelo paciente durante o procedimento de ressonância e reduzindo riscos ao paciente e custos associados ao procedimento.
BREVE DESCRIÇÃO DA INVENÇÃO
[0014] A presente invenção atinge esses e outros objetivos através de um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica, compreendendo um módulo de segmentação zonal da próstata, um módulo de identificação de áreas suspeitas de lesão da próstata, e um módulo de classificação de lesões.
[0015] Assim, o método compreende a execução do módulo de segmentação zonal da próstata compreendendo um algoritmo para segmentar, a partir de sequências de imagens ponderadas em T2 das imagens de ressonância magnética multiparamétrica, as zonas periférica e transicional da próstata; a execução do módulo de identificação de áreas suspeitas de lesão da próstata compreendendo o processamento de mapas ADC e imagens ponderadas por difusão (DWI) para a identificação de áreas suspeitas de lesão da próstata, cada uma das áreas suspeitas identificadas possuindo um centroide; e a execução do módulo de classificação de lesões que compreende um classificador que é alimentado por cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata, o classificador compreendendo um primeiro algoritmo classificador, que é alimentado com fatias dos cubos e gera uma probabilidade de significância clínica da lesão, e um segundo algoritmo classificador, que é alimentado com a probabilidade gerada peio primeiro algoritmo, informações oriundas do módulo de segmentação zonal da próstata e informações estatísticas obtidas das sequências de imagens ponderadas em T2, para fornecer uma probabilidade de áreas suspeitas de câncer clinicamente significativo.
[0016] Em uma concretização da invenção, o algoritmo para segmentar as zonas periférica e transicional da próstata é um algoritmo treinado com dados de delimitação manual das zonas periféricas e transicional da próstata. Preferencialmente, o algoritmo para segmentar as zonas periférica e transicional da próstata é um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D.
[0017] As sequências de imagens ponderadas em T2 alimentadas no módulo de segmentação zonal da próstata podem ser previamente processadas com equalização adaptativa, normalização da imagem e corte central.
[0018] No módulo de identificação de áreas suspeitas de lesão da próstata, o processamento de mapas ADC e imagens ponderadas por difusão (DWI) compreende:
[0019] a) a aplicação de um filtro ReLu para a identificação de áreas de congruência na imagem, o filtro ReLu sendo dado pela diferença entre as imagens ADC e DWI, seguindo a equação:
F (x, y, z) = máx (0, ADC (x, y, z) - DWI (x, y, z))
[0020] b) aplicação de um processo de clustering aglomerativo para agregação de voxels próximos às áreas de congruência identificadas; e
[0021] c) identificação das áreas de identificação de áreas suspeitas de lesão da próstata combinando-se as áreas de congruência identificadas com os voxels agregados.
[0022] Os cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata são preferencialmente cubos com arestas de 30 mm. [0023] Preferencialmente, o primeiro algoritmo classificador do módulo de classificação de lesões é uma rede convolucional VGG-16 modificada em 2D e o segundo algoritmo classificador é um algoritmo de random forest.
BREVE DESCRIÇÃO DOS DESENHOS
[0024] A presente invenção será descrita a seguir com mais detalhes, com referências aos desenhos anexos, nos quais:
[0025] Figura 1 - é um fluxograma esquemático do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;
[0026] Figura 2 - é uma ilustração da delimitação manual das zonas transicional e periférica da próstata em uma imagem de ressonância magnética;
[0027] Figura 3 - é um fluxograma esquemático do módulo de segmentação zonal do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;
[0028] Figura 4 - é um fluxograma esquemático do módulo de identificação de áreas suspeitas de lesão da próstata do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;
[0029] Figura 5 - é um fluxograma esquemático do módulo de classificação de lesão da próstata do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;
[0030] Figura 6 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona transicional da próstata;
[0031] Figura 7 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona transicional da próstata, quando relacionada às anotações dos radiologistas;
[0032] Figura 8 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona periférica da próstata;
[0033] Figura 9 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona periférica da próstata, quando relacionada às anotações dos radiologistas;
[0034] Figura 10 - ilustra a curva ROC de validação cruzada (VC) da avaliação do algoritmo de classificação considerando um conjunto de dados de teste;
[0035] Figura 11 - ilustra a curva ROC de validação cruzada (VC), da avaliação do algoritmo de classificação considerando outro conjunto de dados de teste;
[0036] Figura 12 - ilustra a lógica da segmentação de próstata do módulo de segmentação da região periférica utilizando as informações de segmentação dos modelos transicional e de próstata inteira;
[0037] Figura 13 - ilustra a topologia da rede neural utilizada para a segmentação da próstata inteira, considerando a entrada esquerda (imagem);
[0038] Figura 14 - ilustra a topologia da rede neural utilizada para a segmentação da próstata inteira, considerando a entrada direita (imagem);
[0039] Figura 15 - ilustra a topologia da rede neural utilizada para a segmentação da próstata inteira, considerando a entrada principal (imagem);
[0040] Figura 16 - ilustra a topologia da rede neural utilizada para a segmentação da região transicional da próstata, considerando a entrada esquerda (imagem); [0041] Figura 17 - ilustra a topologia da rede neural utilizada para a segmentação da região transicional da próstata, considerando a entrada direita (imagem);
[0042] Figura 18 - ilustra a topologia da rede neural utilizada para a segmentação da região transicional da próstata, considerando a entrada principal (imagem); e
[0043] Figura 19 - ilustra a topologia da rede neural utilizada para a classificação de lesões da próstata.
DESCRIÇÃO DETALHADA DA INVENÇÃO
[0044] A presente invenção será descrita a seguir com base em concretizações da invenção ilustradas nas figuras 1 a 19.
[0045] Conforme ilustrado na figura 1 , o método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica da presente invenção compreende a execução de três módulos: um módulo de segmentação zonal da próstata (1 ), um módulo de identificação de áreas suspeitas (2), e um módulo de classificação de lesões (3).
[0046] O módulo de segmentação zonal da próstata compreende um algoritmo para segmentar, a partir de sequências de imagens ponderadas em T2 das imagens de ressonância magnética multiparamétrica, as zonas periférica e transicional da próstata
[0047] Preferencialmente, o algoritmo para segmentar as zonas periférica e transicional da próstata é um algoritmo treinado com dados de delimitação manual das zonas periféricas e transicional da próstata. Tal delimitação manual pode ser feita por um profissional experiente, como, por exemplo, um radiologista com experiencia em imagens de ressonância magnética multiparamétrica.
[0048] A figura 2 mostra um exemplo da delimitação manual, onde pode ser vista a zona transicional (ZT) e a zona periférica (ZP).
[0049] A segmentação em zonas transicional e periférica torna a identificação de lesões clinicamente significativas mais assertiva, uma vez que estudos demonstram que 90% das lesões malignas estão na região periférica. Dessa forma, a depender da localização, a análise é realizada de forma diferenciada.
[0050] Assim, no método da presente invenção, a segmentação zonal da próstata é uma das entradas do módulo de classificação de lesões.
[0051] Conforme melhor ilustrado no fluxograma esquemático figura 3, em uma concretização da invenção, a segmentação zonal da próstata utiliza um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D para realizar a segmentação de toda a próstata, delimitando a ZT e a ZP, sendo utilizadas inicialmente imagens da série axial ponderada em T2.
[0052] Antes de realizar a segmentação, podem ser aplicados algoritmos para o pré-processamento das imagens, incluindo equalização adaptativa, seguida de normalização de imagem e corte central de 80% para ZT e de 40% para ZP.
[0053] A figura 4 ilustra, esquematicamente, a execução do módulo de identificação de áreas suspeitas de lesão da próstata (2).
[0054] Assim, o módulo de identificação de áreas suspeitas de lesão da próstata compreende o processamento de mapas ADC e imagens ponderadas por difusão (DWI) para a identificação de áreas suspeitas de lesão da próstata, cada uma das áreas suspeitas identificadas possuindo um centroide.
[0055] Assim, o algoritmo de identificação de áreas suspeitas do segundo módulo aplica métodos de processamento de imagens em mapas ADC e DWI para localizar áreas com difusão restrita. Uma combinação das imagens é filtrada por intensidades de sinal e seguidas por operações morfológicas resultando em alguns pontos esparsos na próstata.
[0056] Esses métodos de processamento de imagem podem compreender a aplicação de um filtro ReLU pela diferença entre as imagens ADC e DWI, seguindo a equação:
F (x, y, z) = máx (0, ADC (x, y, z) - DWI (x, y, z)) [0057] Após a aplicação do filtro ReLU, podem ser realizados processamentos para mesclar e preencher o aglomerado de voxels próximos, sendo que tais voxels são posteriormente agrupados através de um processo de clustering aglomerativo, para que voxels mais próximos sejam considerados como da mesma área suspeita para análise.
[0058] Assim, a saída do módulo de identificação de áreas suspeitas de lesão da próstata (2) compreende centroides de áreas suspeitas.
[0059] O filtro ReLU aplicado pelo módulo de identificação de áreas suspeitas é baseado na observação clínica que um radiologista faz para diagnóstico da imagem. Como lesões brilham em imagens de DWI (b- valued) e ficam escuras em imagens de ADC, a subtração permite o destaque das zonas que coincidiam positivamente, permitindo a identificação de áreas de congruências.
[0060] A figura 5 ilustra, esquematicamente, a execução do módulo de classificação de lesões.
[0061] O módulo de classificação compreende um classificador que é alimentado por cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata. Preferencialmente, os cubos centrados nos centroides são cubos com arestas de 30 mm. Este valor do tamanho do cubo foi escolhido de modo a garantir a cobertura de lesões inteiras com 15 mm, mesmo que o centroide identificado esteja na borda da lesão.
[0062] O classificador compreende um primeiro algoritmo classificador, que é alimentado com fatias dos cubos e gera uma probabilidade de significância clínica da lesão, e um segundo algoritmo classificador, que é alimentado com a probabilidade gerada pelo primeiro algoritmo, informações oriundas do módulo de segmentação zonal da próstata e informações estatísticas obtidas das sequências de imagens ponderadas em T2, para fornecer uma probabilidade de áreas suspeitas de câncer clinicamente significativo. [0063] Preferencialmente, o primeiro algoritmo classificador do módulo de classificação de lesões é uma rede convolucional VGG-16 modificada em 2D e o segundo algoritmo classificador é um algoritmo de random forest.
[0064] Um ponto importante a ressaltar é que o método da presente invenção não utiliza sequências do tipo K-trans. Assim, não é necessário que o paciente faça ingestão de contraste para a geração das imagens, o que traz vantagens associadas à redução de custos, mitigação de riscos de alergia e complicações pulmonares em pacientes com doenças renais crónicas.
CONCRETIZAÇÃO EXEMPLIFICATIVA DO MÉTODO DA PRESENTE
INVENÇÃO
Dados utilizados na concretização exemplificativa do método da presente invenção
[0065] Para a concretização amplificativa do método da presente invenção foram utilizados dados de 163 pacientes anónimos selecionados aleatoriamente dentre pacientes submetidos tanto à ressonância magnética multiparamétrica quanto à biópsia ou prostatectomia subsequente em um intervalo máximo de 6 meses. O único critério de inclusão foi a indicação clínica para uma RM-mp, ou seja, uma suspeita clínica de câncer de próstata devido a um aumento dos níveis de PSA e/ou a uma alteração do toque retal. Os únicos critérios de exclusão foram contraindicações ao método, como, por exemplo, o uso de dispositivos não compatíveis com ressonância magnética ou claustrofobia.
[0066] Todas as imagens foram adquiridas em três scanners Tesla sem bobina endorretal, seguindo o protocolo padrão da RM-mp [informações sobre o protocolo de aquisição podem ser encontrados nas seguintes referências:“PI-RADS: Prostate Imaging - Reporting and Data System” - ACR- Radiology, 2015; Mussi, Thaís Caldara e outros; “Are Dynamic Contrast-Enhanced Images Necessary for Prostate Câncer Detection on Multiparametric Magnetic Resonance Imaging?”, Clinicai Genitourinary Câncer , Volume 15 , Edição 3 , e447 - e454; Mariotti, G.C., Falsarella, P.M., Garcia, R.Ge outros.“Incremental diagnostic value oftargeted biopsy using mpMRI-TRUS fusion versus 14-fragments prostatic biopsy: a prospective controlled study”. Eur Radiol (2018) 28: 1 1 . Disponível em https://doi.orq/10.1007/s00330-017-4939-01.
[0067] As sequências de dados de imagens utilizadas para desenvolver e treinar os algoritmos do método foram: sequências axiais ponderadas em T2 e ponderadas em difusão (DWI), sendo última com valor B de 800 e juntamente com seu mapa ADC pós-processado.
[0068] Para desenvolver e testar a etapa de classificação, foi usado ainda um conjunto de dados externo do concurso internacional PROSTATEx Challenge 2017 [disponível em Armato, Samuel G., Nicholas A. Petrick e Karen Drukker. "PROSTATEx: Prostate MR Classification Challenge (Conference Presentation)." Anais do SPIE, Volume 10134, id. 101344G 1 pp. (2017). 134 (2017).]. Este conjunto de dados é composto por 204 exames também adquiridos em 3T RM sem bobina endorretal, mas de máquinas multivendentes. Desses 204 pacientes, o conjunto de dados fornece 314 lesões confirmadas anotadas, 72 clinicamente significativas e 242 não clinicamente significativas.
Preparação de dados
[0069] Cada exame RM-mp foi inicialmente preparado para criar um conjunto de dados de valor de referência (ground truth) para as tarefas de segmentação zonal e de identificação e classificação de lesões da próstata.
[0070] A primeira consistiu no módulo de segmentação zonal. Para isso todas as fatias das aquisições axiais em T2 de todos os exames incluídos na RM-mp foram analisadas individualmente e a segmentação zonal da próstata foi delimitada manualmente mostrando a zona periférica (ZP) e a zona transicional (ZT).
[0071] Como mostrado na Figura 2, a delimitação manual das zonas periférica e transicional foram sempre realizados e/ou verificados por um radiologista abdominal com mais de dois anos de experiência em ressonância magnética multiparamétrica. Entre todos os exames, 19 foram também verificados por um segundo radiologista, com um ano de experiência em leitura de RM-mp, a fim de criar um segundo conjunto de dados específico para avaliar a variabilidade entre operadores para a segmentação da próstata.
[0072] A segunda etapa consistiu na criação de um conjunto de dados verdadeiros de referência (ground truth) para o algoritmo de detecção e classificação de lesões. Para fazer isso, 88 das 163 séries de imagens foram usadas e classificadas seguindo as diretrizes do PI-RADS v2 [disponíveis em Weinreb, Jeffrey C., et al. "PI-RADS prostate imaging- reporting and data system: 2015, version 2." European urology 69.1 (2016): 16-40] Novamente, todos esses exames foram analisados individualmente pelo mesmo radiologista de próstata com dois anos de experiência, e desses 67 não tiveram achados significativos na ressonância (PI-RADS 1 - 2) e uma biópsia aleatória negativa. Assim, esses 67 exames foram considerados como negativos verdadeiros no conjunto de dados. Os outros 21 exames tiveram pelo menos uma área indeterminada ou uma área suspeita de uma lesão clinicamente significativa na RM-mp (PI-RADS 3 ou 4-5, respectivamente), e essa área foi confirmada como um tumor significativo (Gleason> 6) em biópsia realizada com combinação RM_mp- US ou prostatectomia. Assim, esses 21 foram considerados como positivos verdadeiros no conjunto de dados. Para estes casos, todas as lesões foram anotadas, indicando os centroides da lesão na série 3D.
Método de indefinição e classificação de lesões assistido por computador de acordo com a concretização exemplificativa do método da presente invenção
[0073] O método da presente invenção compreende três módulos: (1 ) um módulo de segmentação zonal, (2) um módulo de identificação de áreas suspeitas e (3) um módulo de classificação de lesões.
[0074] O módulo de segmentação zonal compreende um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D para realizar a segmentação de toda a próstata, delimitando a zona transicional (ZT) e a zona periférica (ZP).
[0075] Um exemplo da topologia utilizada é aquele proposto por Ronneberger, Fischer e Brox, T.no artigoo“U-Net: Convolutional Networks for Biomedical Image Segmentation.”
[0076] Para o módulo de segmentação zonal são utilizadas inicialmente imagens da série axial ponderada em T2.
[0077] Antes de realizar a segmentação, são aplicados algoritmos para o pré-processamento das imagens, incluindo equalização adaptativa, seguida de normalização de imagem e corte central de 80% para ZT e de 40% para ZP.
[0078] Um exemplo de um pré-processamento de equalização adaptativa é proposto por Pfizer e outros no artigo“Adaptive histogram equalization for automatic contrast enhancement of medicai images” [Pizer, Stephen M , et al. "Adaptive histogram equalization for automatic contrast enhancement of medicai images." Application of Optical Instrumentation in Medicine XIV and Picture Archiving and Communication Systems. Vol. 626. International Society for Optics and Photonics, 1986.] Um exemplo de normalização de imagem é proposto por Hackeling to artigo“Mastering Machine Learning with scikit-learn” [Hackeling, Gavin. Mastering Machine Learning with scikit- learn. Packt Publishing Ltd, 2017.]
[0079] O algoritmo de segmentação foi treinado com 100 pacientes e validado em 44 pacientes, em seguida, o modelo final foi escolhido com base na melhor pontuação obtida no conjunto de dados de validação durante o processo de treinamento.
[0080] Conforme ilustrado na figura 12, a lógica adotada para a segmentação compreende a segmentação da próstata inteira e a segmentação da próstata transicional. A segmentação da região periférica é basicamente a segmentação da região transicional menos a próstata inteira. [0081] As figuras 13 a 15 mostram a topologia da rede neural utilizada para a segmentação da próstata inteira, sendo a figura 13 a entrada esquerda (imagem), a figura 14 a entrada direita (imagem) e a figura 16 a entrada central (imagem).
[0082] As figuras 16 a 18 mostram a topologia da rede neural utilizada para a segmentação da zona transicional, sendo a figura 16 a entrada esquerda (imagem), a figura 17 a entrada direita (imagem) e a figura 18 a entrada central (imagem).
[0083] O algoritmo de identificação de áreas suspeitas do segundo módulo aplica métodos de processamento de imagens em mapas ADC e DWI para localizar áreas com difusão restrita. Uma combinação das imagens é filtrada por intensidades de sinal e seguidas por operações morfológicas resultando em alguns pontos esparsos na próstata.
[0084] Esses métodos de processamento de imagem compreendem a aplicação de um filtro ReLU pela diferença entre as imagens ADC e DWI, seguindo a equação:
F (x. y, z) = máx (0, ADC (x, y, z) - DWI (x, y, z))
[0085] Depois disso, é aplicada uma operação de abertura e uma de fechamento para mesclar e preencher o aglomerado de voxels próximos. Um exemplo desse tipo de operação é proposto por Gonzales e Woods no artigo“Digital image Processing” [Gonzalez, Rafael C., and Richard E. Woods. "Image Processing." Digital image Processing 2 (2007).]
[0086] Esses voxels são então agrupados através de um processo de clustering aglomerativo, para que voxels mais próximos sejam considerados como da mesma área suspeita para análise. Um exemplo de processo de clustering aglomerativo é proposto por Duda e Hart no artigo "Pattern classification and scene analysis." [Duda, Richard O., and Peter E. Hart. "Pattern classification and scene analysis." A Wiley-lnterscience Publication, New York: Wiley, 1973 (1973).] [0087] O último módulo do método compreende o algoritmo de classificação de lesões. Esse algoritmo recebe os centroides dessas áreas suspeitas para classificá-los de acordo com a significância clínica.
[0088] O classificador foi desenvolvido como uma combinação de dois modelos cujas entradas são cubos de 30 mm no centroide de áreas suspeitas. Este valor do tamanho do cubo foi escolhido porque o corte Pl- RADS 5 (a nota mais alta) é de 15 mm. Assim, a escolha garante a cobertura de lesões inteiras com 15 mm, mesmo que o centroide identificado esteja na borda da lesão.
[0089] As sequências de imagens utilizadas para esta etapa foram: axiais ponderadas em T2, DWI e mapa ADC.
[0090] O primeiro modelo do classificador compreende uma rede convolucional VGG-16 modificada em 2D que recebe as fatias de cubos e gera a probabilidade de significância clínica. Um exemplo de VGG-16 é proposto por Simonyan e Zisserman [Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition.]
[0091] O segundo modelo do classificador é um classificador de random forest que mescla as saídas do VGG com características estatísticas (Máximo, Média, Desvio Padrão, Assimetria e Curtose), além da localização do tumor (ZT ou ZP) obtida na etapa de segmentação. O resultado final é a probabilidade de áreas suspeitas de câncer clinicamente significativo.
[0092] A figura 19 mostra a topologia de rede de classificação da lesão da próstata.
[0093] Especificamente para esta etapa de classificação, o processo de treinamento e a validação de modelos usou o conjunto de dados externo do concurso internacional PROSTATEx Challenge 2017.
Avaliação Estatística da concretização exemplificativa do método da presente invenção [0094] A avaliação estatística para cada módulo do método da presente invenção foi executada com o objetivo de julgar cada módulo como uma parte diferente do método.
Módulo de Segmentação
[0095] Primeiro, para o módulo de segmentação, o coeficiente DICE, a sensibilidade e a distância Hausdorff 95 foram considerados como métricas de avaliação.
[0096] O coeficiente DICE (equação 1 ), também chamado de índice de sobreposição, é a métrica mais utilizada na validação de segmentações de volume médicas. Ele executa uma média harmónica entre o que foi previsto (X) e a verdade fundamental (Y):
Figure imgf000018_0001
Equação 1
[0097] A sensibilidade, Recall ou taxa positiva verdadeira (TPR), mede a porção de voxels positivos na verdade de referência (ground truth) (TP) que também são identificados como positivos pela segmentação sendo avaliada (TP + FN), conforme descrito na equação 2:
Figure imgf000018_0002
Equação 2
[0098] Considerando que a saída da segmentação será usada para procurar por áreas suspeitas na próstata (segundo módulo), é desejável que toda a glândula seja analisada, o que significa que a avaliação da sensibilidade é importante.
[0099] E, finalmente, completando a análise com uma métrica de distância espacial, a distância de Hausdorff (HD) também foi considerada.
[00100] Como a HD é geralmente sensível a valores discrepantes, o que é bastante comum em segmentações de imagens médicas, consideramos o quantil HD para avaliar melhor as posições espaciais dos voxels. [00101] Considerando A, B dois subconjuntos de pontos não vazios e finitos, a distância dirigida de Hausdorff h (A, B) corresponde ao valor da distância máxima do conjunto com os valores normais || a - b ||, por exemplo, Distância euclidiana. O HD (A, B) é obtido pelo valor máximo de h, conforme mostrado nas próximas equações:
Figure imgf000019_0001
HD(A, B ) = max(h(A, B), h {B, A))
Equações 3 e 4
Módulo de identificação de áreas suspeitas
[00102] Em segundo lugar, o escore de sensibilidade também foi utilizado para avaliar a identificação das áreas suspeitas. Essa métrica foi considerada suficiente, pois o objetivo deste módulo é evitar a perda de regiões verdadeiras com lesões, ou seja, os falsos negativos (FN) são indesejáveis e os falsos positivos (FR) são indiferentes porque a responsabilidade de eliminá-los pertence ao classificador na próxima etapa. Para aplicar corretamente a sensibilidade no problema de detecção de lesão, uma distância máxima de 5 mm entre os centroides identificados (pelo algoritmo) e de destino (valor de referência - ground truth) foi considerada como um critério de representação da mesma área.
Módulo de classificação de lesões
[00103] Por fim, o módulo de classificação das lesões foi avaliado através da curva Receiver Operating Characteristic (ROC) e sua área sob a curva. Ele tem uma interpretação significativa para a classificação de doenças de indivíduos saudáveis e também foi adotado como a métrica de classificação pelo PROSTATEx Challenge 2017, tornando possível comparar melhor o desempenho do método com o estado da arte para a classificação de lesão de próstata.
Resultados experimentais da avaliação da concretização exemplificativa do método da presente invenção
Segmentação Zonal [00104] Considerando a base de dados de 163 pacientes para a etapa de segmentação zonal, 44 pacientes foram selecionados como conjunto de dados de validação e 19 pacientes foram selecionados como conjunto de dados de teste.
[00105] Um dos 44 casos de validação foi excluído do conjunto, já que sua ressonância multiparamétrica foi adquirida após um procedimento de prostatectomia.
Segmentação da zona transicional (ZT)
[00106] A tabela 1 a seguir e as distribuições mostradas na figura 6 apresentam as métricas de segmentação dos conjuntos de dados. Além disso, a figura 7 mostra a distribuição DICE entre as anotações de campo de dois radiologistas, de modo a ilustrar a variabilidade interoperador do problema.
Figure imgf000020_0002
Tabela 1 - Sumário de métricas da segmentação da zona transiciona
[00107] Os escores da mediana DICE obtida foram de 0,8083 entre as anotações dos dois radiologistas e de 0,7857 entre o algoritmo e a anotação do radiologista mais experiente, com uma diferença de 0,8038 - 0,7857 = 0,0181 (erro relativo = 0,025).
Segmentação da zona periférica (ZP)
[00108] De modo análogo à segmentação da ZT, a tabela 2 a seguir e as distribuições mostradas na figura 8 apresentam as métricas de segmentação dos conjuntos de dados. Além disso, a figura 9 mostra a distribuição DICE entre as anotações de campo de dois radiologistas, de modo a ilustrar a variabilidade interoperador do problema.
Figure imgf000020_0001
Figure imgf000021_0001
Tabela 2 - Sumário de métricas da segmentação da zona periférica
[00109] A avaliação da segmentação ZP apresentou um comportamento similar ao da avaliação da segmentação ZT, com valores DICE relativamente próximos entre o teste e os radiologistas, com um erro relativo de 0,0781 .
[00110] O resultado da análise do interoperador para segmentação ZP e ZT permite quantificar a concordância dos radiologistas para o conjunto de dados de teste. Ainda que tenham sido usados apenas dois radiologistas observadores, o dado mediano entre os radiologistas foi similar alcançado pelos dados entre o algoritmo e o radiologista, o que demonstra que o algoritmo foi capaz de realizar uma análise similar a dos radiologistas. Módulo de identificação de áreas suspeitas
[00111] Para o experimento do módulo de identificação de áreas suspeitas, 21 pacientes do total de 88 pacientes foram avaliados, com 22 lesões confirmadas. Duas das 22 lesões confirmadas estavam localizadas na vesícula seminal e foram excluídas da análise de identificação por esse motivo, resultando em 20 lesões a serem identificadas como áreas suspeitas.
[00112] A sensibilidade da etapa de identificação das áreas suspeitas foi de 1 ,0 (100%), detectando todas as 20 lesões consideradas. Sua taxa de achados foi de 1 ,85 áreas suspeitas por lesão verdadeira, em um total de
37.
[00113] Assim, os resultados demonstram que o módulo de identificação de áreas suspeitas é capaz de automatizar a busca por lesões clinicamente significativas através do rastreamento das áreas de restrição de difusão com métodos de processamento de imagens.
Classificação das lesões da próstata [00114] Para a avaliação do módulo de classificação de lesões, dois conjuntos de dados diferentes foram utilizados: um conjunto com 88 exames e um conjunto com 204 exames (PROSTATEx).
[00115] Conforme mostrado na figura 10, a série 204 PROSTATEx, com 314 lesões clinicamente significativas e não clinicamente significativas, foi utilizada por meio de validação cruzada (VC), utilizando 5 partições para avaliar o desempenho do algoritmo. A área abaixo da Curva ROC corresponde à pontuação VC da competição.
[00116] A Matriz de confusão para validação cruzada das 5 partições aplicada ao conjunto de dados de treinamento do PROSTATEx é mostrada na tabela 3 abaixo.
Figure imgf000022_0001
Tabela 3 - Matriz de confusão
[00117] A tabela 4 abaixo mostra as métricas Precision e Recall para a validação cruzada das 5 partições aplicada ao conjunto de dados de treinamento do PROSTATEx.
Figure imgf000022_0002
Tabela 4 - Métricas (VC)
[00118] O algoritmo do módulo de classificação também foi avaliado no banco de dados de teste de 88 exames para fazer uma análise mais robusta em relação à generalização do modelo e avaliar seu desempenho sem mapas K-trans. O AUCROC obtido foi de 0,82 para o conjunto de dados de teste (vide Figura 1 1 ).
[00119] Tendo sido descritos exemplos de concretizações da presente invenção, deve ser entendido que o escopo da presente invenção abrange outras variações possíveis do conceito inventivo descrito, sendo limitadas tão somente pelo teor das reivindicações anexas, aí incluídos os possíveis equivalentes.

Claims

REIVINDICAÇÕES
1 . Método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica caracterizado pelo fato de que compreende:
a execução de um módulo de segmentação zonal da próstata compreendendo um algoritmo para segmentar, a partir de sequências de imagens ponderadas em T2 das imagens de ressonância magnética multiparamétrica, as zonas periférica e transicional da próstata;
a execução de um módulo de identificação de áreas suspeitas de lesão da próstata compreendendo o processamento de mapas ADC e imagens ponderadas por difusão (DWI) para a identificação de áreas suspeitas de lesão da próstata, cada uma das áreas suspeitas identificadas possuindo um centroide; e
a execução de um módulo de classificação de lesões que compreende um classificador que é alimentado por cubos de área predeterminada nos centroides das áreas suspeitas de lesão da próstata, o classificador compreendendo um primeiro algoritmo classificador, que é alimentado com fatias dos cubos e gera uma probabilidade de significância clínica da lesão, e um segundo algoritmo classificador, que é alimentado com a probabilidade gerada pelo primeiro algoritmo, informações oriundas do módulo de segmentação zonal da próstata e informações estatísticas obtidas das sequências de imagens ponderadas em T2, para fornecer uma probabilidade de áreas suspeitas de câncer clinicamente significativo.
2. Método, de acordo com a reivindicação 1 , caracterizado pelo fato de que o algoritmo para segmentar as zonas periférica e transicionaí da próstata é um algoritmo treinado com dados de delimitação manual das zonas periféricas e transicionaí da próstata.
3. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que o algoritmo para segmentar as zonas periférica e transicionaí da próstata é um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D.
4. Método, de acordo com a reivindicação 3, caracterizado pelo fato de que sequências de imagens ponderadas em T2 alimentadas no módulo de segmentação zonal da próstata são previamente processadas com equaiização adaptativa, normalização da imagem e corte central.
5. Método, de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo fato de que o processamento de mapas ADC e imagens ponderadas por difusão (DWI) do módulo de identificação de áreas suspeitas de lesão da próstata compreende:
a) a aplicação de um filtro ReLu para a identificação de áreas de congruência na imagem, o filtro ReLu sendo dado pela diferença entre as imagens ADC e DWI, seguindo a equação:
F (x, y, z) = máx ( 0 , ADC (x, y, z) - DWI (x, y, z)) b) aplicação de um processo de dustering aglomeratívo para agregação de voxels próximos às áreas de congruência identificadas; e
c) identificação das áreas de identificação de áreas suspeitas de lesão da próstata combinando-se as áreas de congruência identificadas com os voxels agregados.
6. Método, de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que os cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata são cubos com arestas de 30 mm.
7. Método, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que o primeiro algoritmo classificador do módulo de classificação de lesões é uma rede convolucional VGG-16 modificada em 2D e o segundo algoritmo classificador é um algoritmo de random forest.
PCT/BR2020/050153 2019-05-07 2020-05-07 Método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica WO2020223780A1 (pt)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/609,295 US20220215537A1 (en) 2019-05-07 2020-05-07 Method for identifying and classifying prostate lesions in multi-parametric magnetic resonance images

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
BRBR1020190093390 2019-05-07
BR102019009339-0A BR102019009339A2 (pt) 2019-05-07 2019-05-07 método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica

Publications (1)

Publication Number Publication Date
WO2020223780A1 true WO2020223780A1 (pt) 2020-11-12

Family

ID=73050481

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/BR2020/050153 WO2020223780A1 (pt) 2019-05-07 2020-05-07 Método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica

Country Status (3)

Country Link
US (1) US20220215537A1 (pt)
BR (1) BR102019009339A2 (pt)
WO (1) WO2020223780A1 (pt)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022251451A1 (en) * 2021-05-27 2022-12-01 The Research Foundation For The State University Of New York Methods, systems, and program products for manipulating magnetic resonance imaging (mri) images

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11893729B2 (en) * 2017-11-22 2024-02-06 GE Precision Healthcare LLC Multi-modal computer-aided diagnosis systems and methods for prostate cancer
EP3889894A1 (en) * 2020-04-01 2021-10-06 Siemens Healthcare GmbH Improved abnormality detection in medical imaging data

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150356730A1 (en) * 2013-01-18 2015-12-10 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity
US9256966B2 (en) * 2011-02-17 2016-02-09 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
WO2017165801A1 (en) * 2016-03-24 2017-09-28 The Regents Of The University Of California Deep-learning-based cancer classification using a hierarchical classification framework

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3586305B1 (en) * 2017-02-22 2021-08-04 The United States of America, as represented by The Secretary, Department of Health and Human Services Detection of prostate cancer in multi-parametric mri using random forest

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9256966B2 (en) * 2011-02-17 2016-02-09 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
US20150356730A1 (en) * 2013-01-18 2015-12-10 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity
WO2017165801A1 (en) * 2016-03-24 2017-09-28 The Regents Of The University Of California Deep-learning-based cancer classification using a hierarchical classification framework

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
STEFANO TREBESCHI, VAN GRIETHUYSEN JOOST J. M., LAMBREGTS DOENJA M. J., LAHAYE MAX J., PARMAR CHINTAN, BAKERS FRANS C. H., PETERS : "Deep Learning for Fully-Automated Localization and Segmentation of Rectal Cancer on Multiparametric MR", SCI REP., vol. 7, no. 1, 2017, pages 1 - 9, XP055760962 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022251451A1 (en) * 2021-05-27 2022-12-01 The Research Foundation For The State University Of New York Methods, systems, and program products for manipulating magnetic resonance imaging (mri) images

Also Published As

Publication number Publication date
US20220215537A1 (en) 2022-07-07
BR102019009339A2 (pt) 2020-11-17

Similar Documents

Publication Publication Date Title
US20240221162A1 (en) Three dimensional object segmentation of medical images localized with object detection
US10939874B2 (en) Deep-learning-based cancer classification using a hierarchical classification framework
US10470734B2 (en) Characterizing lung nodule risk with quantitative nodule and perinodular radiomics
US10492723B2 (en) Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity
US9117259B2 (en) Method and system for liver lesion detection
Linguraru et al. Tumor burden analysis on computed tomography by automated liver and tumor segmentation
US11017896B2 (en) Radiomic features of prostate bi-parametric magnetic resonance imaging (BPMRI) associate with decipher score
US10692607B2 (en) Treatment planning and evaluation for rectal cancer via image analytics
ES2914387T3 (es) Estudio inmediato
US10127660B2 (en) Radiomic features on diagnostic magnetic resonance enterography
US20170309018A1 (en) Automated intravascular plaque classification
WO2020223780A1 (pt) Método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica
JP2017520305A (ja) 急性脳虚血患者における組織領域の区分法及び予測法
Zhang et al. Design of automatic lung nodule detection system based on multi-scene deep learning framework
ES2914779T3 (es) Método y aparato para generar datos cuantitativos para estructuras del árbol biliar
Somasundaram et al. Fully automatic method to identify abnormal MRI head scans using fuzzy segmentation and fuzzy symmetric measure
Li et al. Integrating FCM and level sets for liver tumor segmentation
Kim et al. The role of AI in prostate MRI quality and interpretation: Opportunities and challenges
Hu et al. Axis‐guided vessel segmentation using a self‐constructing cascade‐AdaBoost‐SVM classifier
US11464473B2 (en) Distinguishing minimally invasive carcinoma and adenocarcinoma in situ from invasive adenocarcinoma with intratumoral and peri-tumoral textural features
Fiori et al. Automatic colon polyp flagging via geometric and texture features
US10839513B2 (en) Distinguishing hyperprogression from other response patterns to PD1/PD-L1 inhibitors in non-small cell lung cancer with pre-therapy radiomic features
Ahmad et al. Brain tumor detection & features extraction from MR images using segmentation, image optimization & classification techniques
US20210049759A1 (en) Analysis of prostate glands using three-dimensional (3d) morphology features of prostate from 3d pathology images
Wu et al. Deep artificial neural network approach to automated lesion segmentation in breast

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20802762

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20802762

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 22/03/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20802762

Country of ref document: EP

Kind code of ref document: A1