Detection of pancreatic malignant tumors based on texture characterization during endoscopy ultrasound video sequences

Abstract

Pancreatic Cancer (PC) is one of the most aggressive cancers, constituting the seventh leading cause of cancer-related death globally in 2020. Usually, the asymptomatic response of PC causes the delayed diagnosis of the disease. Diagnosis of PC usually includes ultrasonography (US), computed tomography (CT), magnetic resonance (MRI), and endoscopic ultrasound (EUS). Although EUS is the diagnostic method with the highest sensitivity reported, the procedure is highly operator-dependent. A gastroenterologist requires more than 150 supervised procedures to interpret the anatomy blurred by several noise sources. Therefore, a second reader may be desirable to support the procedure and assist the training process in a gastroenterology service. Some computational strategies have been developed to detect PC in EUS images, but those methods are semi-automatic in practice and very susceptible to noise. Hence, the main contribution of this work is an automatic strategy to detect PC in complete video sequences of EUS procedures. The proposed methodology describes the mixture of echo patterns using the Speeded-Up Robust Features (SURF) method. A set of interest points are defined and described correlating the echo patterns in a multiscale analysis, and filtering the noise sources, usually uncorrelated among different scales. Then, images with PC are differentiated by a binary classification method, evaluating Support Vector Machines and Adaboost models. Additionally, the proposed method is assessed using a public EUS database constructed and released in this work, with 55 cases. Finally, the proposed method was compared with typical Deep Learning approaches, reaching an accuracy of 92.1\% and 90.0\%, respectively. In addition, the method herein proposed is also stable in experiments with added noise, while the nets fail to maintain a similar performance.

El Cáncer de Páncreas (CP) fue la séptima causa de muerte por cáncer en el mundo en 2020. Es uno de los más agresivos y en la mayoría de los casos se diagnostica en etapas avanzadas por su respuesta asintomática. El diagnóstico del CP se realiza mediante técnicas de imágen como ultrasonido (US), tomografía computarizada(TAC), resonancia magnética(RMN) y Ecoendoscopia(EE). Aunque la EE tiene la más alta sensibilidad, el proceso de entrenamiento de los especialistas requiere más de 150 procedimientos supervisados, convirtiendose en un procedimiento altamente dependiente de la experticia del gastroenterólogo y del manejo de las múltiples fuentes de ruido durante el procedimiento. Por lo tanto, es deseable un segundo lector para apoyar el procedimiento y asistir el proceso de entrenamiento. Se han desarrollado estrategias computacionales para apoyar la detección del CP, pero son semi-automáticos en la práctica y altamente suceptibles a las fuentes de ruido. La principal contribución de este trabajo es el desarrollo de una estrategia automática para detectar CP en secuencias de video completas de procedimientos de EE. El método describe los eco-patrones en imágenes de EE utilizando el algoritmo “SURF” por sus siglas en inglés. Se definen y describen un conjunto de puntos de interés correlacionados en un análisis multiecala y se filtran las fuentes de ruido que usualmente no se correlacionan entre escalas. Luego, las imágenes con CP se diferencian mediante una clasificación binaria utilizando métodos de soporte vectorial y árboles de decisión. Adicionalmente, el método se evalúa utilizando una base de datos pública construida en este trabajo con 55 casos en total. Finalmente, el rendimiento se compara con los enfoques típicos de aprendizaje profundo, obteniendo un rendimiento de 92.1\% y 90.0\%, respectivamente. Adicionalmente, el metodo propuesto es estable en experimentos al adicionar ruido, en los que las redes fallan en mantener un rendimiento similar. (Texto tomado de la fuente)