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 A comparative analysis of Convolutional Neural Network architectures for classifying the degree of risk of prostate lesions from unimodal or bimodal mpMRI images

Resumen

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 magnética
de 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 de
Gleason (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.