Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI

Este trabajo presenta un análisis comparativo de cinco arquitecturas de redes neuronales convolucionales (CNN) usando imágenes de resonancia magnética multiparamétrica (mpMRI) para la clasificación de tejidos con presencia de lesiones de cáncer próstata. Como conjunto de datos de entrenamiento y val...

Full description

Autores:
Caviedes Rojas, Mauricio
Alvarez Jiménez, Charlems
Romero Castro, Eduardo
Cruz Roa, Ángel Alfonso
Tipo de recurso:
Article of journal
Fecha de publicación:
2021
Institución:
Universidad de los Llanos
Repositorio:
Repositorio Digital Universidad de los LLanos
Idioma:
spa
OAI Identifier:
oai:repositorio.unillanos.edu.co:001/2775
Acceso en línea:
https://repositorio.unillanos.edu.co/handle/001/2775
https://doi.org/10.22579/20112629.683
Palabra clave:
Rights
openAccess
License
Orinoquia - 2021
id Unillanos2_d0011d519be3fe5898c5b5ba7a240076
oai_identifier_str oai:repositorio.unillanos.edu.co:001/2775
network_acronym_str Unillanos2
network_name_str Repositorio Digital Universidad de los LLanos
repository_id_str
dc.title.spa.fl_str_mv Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
dc.title.translated.eng.fl_str_mv A comparative analysis of Convolutional Neural Network architectures for classifying the degree of risk of prostate lesions from unimodal or bimodal mpMRI images
title Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
spellingShingle Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
title_short Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
title_full Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
title_fullStr Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
title_full_unstemmed Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
title_sort Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
dc.creator.fl_str_mv Caviedes Rojas, Mauricio
Alvarez Jiménez, Charlems
Romero Castro, Eduardo
Cruz Roa, Ángel Alfonso
dc.contributor.author.spa.fl_str_mv Caviedes Rojas, Mauricio
Alvarez Jiménez, Charlems
Romero Castro, Eduardo
Cruz Roa, Ángel Alfonso
description Este trabajo presenta un análisis comparativo de cinco arquitecturas de redes neuronales convolucionales (CNN) usando imágenes de resonancia magnética multiparamétrica (mpMRI) para la clasificación de tejidos con presencia de lesiones de cáncer próstata. Como conjunto de datos de entrenamiento y validación se usó SPIE-AAPM-NCI Prostate MR Classification Challenge, el cual cuenta con 344 casos de imágenes de resonancia magnéticade las modalidades: T2W (T2 Ponderado), ADC (Coeficiente de Difusión Aparente) y Ktrans (imágenes preprocesadas de la modalidad DCE - Dinámico de Contraste Mejorado), a partir del cual se usaron tres subconjuntos de datos de una sola modalidad independiente (unimodal): T2W, ADC y Ktrans, y dos subconjuntos de datos combinando dos modalidades (bimodal): Ktrans-ADC y Ktrans-T2W, para su comparación y análisis. A partir de la escala deGleason (Gleason score - GS) y el grado ISUP (International Society of Urologic Pathologists), las cuales son usada para medir el grado de agresividad del cáncer de próstata, se establecieron dos niveles de agresividad: Bajo y Alto. La clase Bajo son aquellas lesiones con GS = 6, y la clase Alto, las lesiones con el valor del GS > 7. Los resultados experimentales muestran un rendimiento superior con las imágenes de la modalidad Ktrans en las 4 primeras arquitecturas obteniendo un valor máximo de AUC (area under ROC curve o área bajo la curva) de 0.71 ± 0.127. Sin embargo, la quinta arquitectura inspirada en la LetNet combinando dos modalidades de mpMRI, Ktrans-T2W, se obtiene un AUC de 0.72 ± 0.058, lo cual sugiere ligeramente que, aunque la modalidad Ktrans es la más relevante, su combinación con T2W podría mejorar la precisión diagnóstica.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-06-16 00:00:00
2022-06-13T17:42:48Z
dc.date.available.none.fl_str_mv 2021-06-16 00:00:00
2022-06-13T17:42:48Z
dc.date.issued.none.fl_str_mv 2021-06-16
dc.type.spa.fl_str_mv Artículo de revista
dc.type.eng.fl_str_mv Journal Article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.local.spa.fl_str_mv Sección Artículos
dc.type.local.eng.fl_str_mv Sección Articles
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.content.spa.fl_str_mv Text
dc.type.coarversion.spa.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 0121-3709
dc.identifier.uri.none.fl_str_mv https://repositorio.unillanos.edu.co/handle/001/2775
dc.identifier.doi.none.fl_str_mv 10.22579/20112629.683
dc.identifier.eissn.none.fl_str_mv 2011-2629
dc.identifier.url.none.fl_str_mv https://doi.org/10.22579/20112629.683
identifier_str_mv 0121-3709
10.22579/20112629.683
2011-2629
url https://repositorio.unillanos.edu.co/handle/001/2775
https://doi.org/10.22579/20112629.683
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.bitstream.none.fl_str_mv https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/683/1220
dc.relation.citationedition.spa.fl_str_mv Núm. 1 , Año 2021 : Suplemento
dc.relation.citationendpage.none.fl_str_mv 55
dc.relation.citationissue.spa.fl_str_mv 1
dc.relation.citationstartpage.none.fl_str_mv 39
dc.relation.citationvolume.spa.fl_str_mv 25
dc.relation.ispartofjournal.spa.fl_str_mv Orinoquia
dc.rights.spa.fl_str_mv Orinoquia - 2021
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Orinoquia - 2021
http://creativecommons.org/licenses/by-nc/4.0
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de los Llanos
dc.source.spa.fl_str_mv https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/683
institution Universidad de los Llanos
bitstream.url.fl_str_mv https://dspace7-unillanos.metacatalogo.org/bitstreams/d9c2806b-0e32-4ce9-82e2-f86129bfa5ab/download
bitstream.checksum.fl_str_mv ffd2cca20a9341fcee2b9459d7d33aa2
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio Universidad de Los Llanos
repository.mail.fl_str_mv repositorio@unillanos.edu.co
_version_ 1812104573932797952
spelling Caviedes Rojas, Mauricio7aaa49142b299f622445a5d606585690300Alvarez Jiménez, Charlemsde9fe09ac3c3be70231783f0301a5174300Romero Castro, Eduardocdde36df751c8bac46785c53d50fefca300Cruz Roa, Ángel Alfonso46998d223286d3d4d34f7436c69340372021-06-16 00:00:002022-06-13T17:42:48Z2021-06-16 00:00:002022-06-13T17:42:48Z2021-06-160121-3709https://repositorio.unillanos.edu.co/handle/001/277510.22579/20112629.6832011-2629https://doi.org/10.22579/20112629.683Este trabajo presenta un análisis comparativo de cinco arquitecturas de redes neuronales convolucionales (CNN) usando imágenes de resonancia magnética multiparamétrica (mpMRI) para la clasificación de tejidos con presencia de lesiones de cáncer próstata. Como conjunto de datos de entrenamiento y validación se usó SPIE-AAPM-NCI Prostate MR Classification Challenge, el cual cuenta con 344 casos de imágenes de resonancia magnéticade las modalidades: T2W (T2 Ponderado), ADC (Coeficiente de Difusión Aparente) y Ktrans (imágenes preprocesadas de la modalidad DCE - Dinámico de Contraste Mejorado), a partir del cual se usaron tres subconjuntos de datos de una sola modalidad independiente (unimodal): T2W, ADC y Ktrans, y dos subconjuntos de datos combinando dos modalidades (bimodal): Ktrans-ADC y Ktrans-T2W, para su comparación y análisis. A partir de la escala deGleason (Gleason score - GS) y el grado ISUP (International Society of Urologic Pathologists), las cuales son usada para medir el grado de agresividad del cáncer de próstata, se establecieron dos niveles de agresividad: Bajo y Alto. La clase Bajo son aquellas lesiones con GS = 6, y la clase Alto, las lesiones con el valor del GS > 7. Los resultados experimentales muestran un rendimiento superior con las imágenes de la modalidad Ktrans en las 4 primeras arquitecturas obteniendo un valor máximo de AUC (area under ROC curve o área bajo la curva) de 0.71 ± 0.127. Sin embargo, la quinta arquitectura inspirada en la LetNet combinando dos modalidades de mpMRI, Ktrans-T2W, se obtiene un AUC de 0.72 ± 0.058, lo cual sugiere ligeramente que, aunque la modalidad Ktrans es la más relevante, su combinación con T2W podría mejorar la precisión diagnóstica.This work presents a comparative analysis of five convolutional neural network (CNN) architectures using multiparametric magnetic resonance imaging(mpMRI) for the classification of tissues with the presence of prostate cancer lesions. SPIE-AAPM-NCI Prostate MR Classification Challenge was used as atraining and validation data set, which consists of 344 cases with magnetic resonance images from the modalities: T2W (Weighted T2), ADC (Apparent Diffusion Coefficient), and Ktrans (preprocessed images from the DCE -Dynamic Enhanced Contrast- modality), from which three subsets of data from a single independent modality were used (unimodal): T2W, ADC and Ktrans, and two subsets of data combining two modalities (bimodal): Ktrans-ADC and Ktrans-T2W, for comparison and analysis. From the Gleason scale (Gleason score - GS) and the ISUP grade (International Society of Urologic Pathologists), which are used to measure the degree of aggressiveness of prostate cancer, two levels of aggressiveness were established: Low and High. The Low class is those lesions with GS = 6, and the High class, those lesions with the GS value > 7. The experimental results show a superior performance with Ktrans modality images in the first 4 architectures obtaining a maximum AUC value (area under ROC curve) of 0.71 ± 0.127. However, the fifth LetNet inspired architecture combining two mpMRI modalities, Ktrans-T2W, obtains an AUC of 0.72 ± 0.058, which slightly suggests that although the Ktrans modality is themost relevant, its combination with T2W could improve diagnostic accuracy.application/pdfspaUniversidad de los LlanosOrinoquia - 2021http://creativecommons.org/licenses/by-nc/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.http://purl.org/coar/access_right/c_abf2https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/683Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRIA comparative analysis of Convolutional Neural Network architectures for classifying the degree of risk of prostate lesions from unimodal or bimodal mpMRI imagesArtículo de revistaJournal Articleinfo:eu-repo/semantics/articleSección ArtículosSección Articlesinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Texthttp://purl.org/coar/version/c_970fb48d4fbd8a85https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/683/1220Núm. 1 , Año 2021 : Suplemento5513925OrinoquiaPublicationOREORE.xmltext/xml2779https://dspace7-unillanos.metacatalogo.org/bitstreams/d9c2806b-0e32-4ce9-82e2-f86129bfa5ab/downloadffd2cca20a9341fcee2b9459d7d33aa2MD51001/2775oai:dspace7-unillanos.metacatalogo.org:001/27752024-04-17 16:36:15.959http://creativecommons.org/licenses/by-nc/4.0Orinoquia - 2021metadata.onlyhttps://dspace7-unillanos.metacatalogo.orgRepositorio Universidad de Los Llanosrepositorio@unillanos.edu.co