Método de segmentación de imágenes de la próstata tomadas mediante resonancia magnética mediante técnicas de inteligencia artificial

Abstract

La segmentación de la próstata en imágenes de resonancia magnética se considera una tarea esencial para la planificación quirúrgica, así como la determinación de los estadios de enfermedades como el cáncer de próstata y la hiperplasia prostática benigna. Sin embargo, la falta de estandarización en los protocolos de adquisición de las imágenes y la heterogeneidad entre individuos hacen que esta sea una tarea difícil. Con el fin de aportar a la solución de este problema, se propone una arquitectura de red convolucional en forma de 3D Unet, que se caracteriza por tener una mayor profundidad, además de tener una fase codificación – decodificación con una compuerta de atención. Esta propuesta a diferencia de otras implementa un bloque residual similar al de la Resnet101 con una normalización por lotes. Además, utiliza una función de pérdida compuesta por el coeficiente de Dice y la entropía cruzada para manejar el problema de desequilibrio de clase. Durante la etapa de inferencia cada imagen es dividida en imágenes más pequeñas y se generan predicciones individuales, finalmente estas se unen para generar una máscara de predicción del mismo tamaño de la imagen de entrada. Para evaluar la arquitectura se utilizaron los datos del PROMISE12. Los resultados muestran desempeño superior o similar a otros métodos propuestos en la literatura. (Texto tomado de la fuente)

Prostate segmentation on magnetic resonance imaging is considered an essential task for surgical planning as well as staging of diseases such as prostate cancer and benign prostatic hyperplasia. However, the lack of standardization in image acquisition protocols and the heterogeneity between individuals make this a difficult task. To contribute to the solution of this problem, a convolutional network architecture in the form of 3D Unet is proposed, which is characterized by having greater depth, in addition to having an encoding-decoding phase with an attention gate. Unlike others, this proposal implements a residual block similar to that of Resnet101 with batch normalization. Furthermore, it uses a loss function composed of the Dice coefficient and the cross-entropy to handle the class imbalance problem. During the inference stage, each image is divided into smaller images and individual predictions are generated, finally these are joined to generate a prediction mask of the same size as the input image To evaluate the architecture, data from PROMISE12 were used. The results show superior or similar performance to other methods proposed in the literature.