Millores en la interpretació de les ecografies per al diagnòstic del càncer de mama / UdG
Una recerca de la Universitat de Girona ha desenvolupat una nova estratègia per detectar, segmentar i classificar les lesions en imatges d’ecografia. La proposta simplifica les estratègies precedents i proporciona resultats equiparables. Pot resultar de gran utilitat per al diagnòstic del càncer de mama.
La tesi Computer aided and lesion detecton and segmentation on breast ultrasound, que ha defensat Gerard Pons i han dirigit Joan Martí i Robert Martí, se centra en la detecció, segmentació i classificació de lesions en imatges d’ecografia. La presència de les lesions és un indicador de càncer de mama, i per tant, com més ràpida resulti la detecció, millor i més efectiu serà el tractament que es proporcionarà al pacient. La contribució de la tesi de Pons, que ha fet la recerca en el Grup de Recerca Computer Vision and Robotics de la UdG, VICOROB, consisteix en el desenvolupament d’una nova eina de Diagnòstic Assistit per Ordinador (DAO) capaç de detectar, segmentar i classificar automàticament lesions en imatges d’ecografia de mama. En els resultats de la tesi doctoral han estat de gran importància les estades de recerca que, Pons, ha fet en les universitats d’Oxford i Metropolitan de Manchester, amb les professores Alison Noble i Moi Hoon Yag, respectivament.
La investigació procedeix, primerament, amb una proposta d’adaptació del mètode genèric de detecció d’objectes anomenat Deformable Part Models (DPM) per detectar lesions en imatges d’ecografia. El DPM utilitza tècniques d’aprenentatge automàtic per generar models dels objectes detectables basats en l’Histograma de Gradients Orientats (HOG). Es tracta d’una metodologia que simplifica l’estratègia tradicional (detecció de lesions candidates, segmentació, extracció de característiques i classificació entre benigne i maligne).
A continuació, s’ha desenvolupat i optimitzat un mètode de segmentació basat en cadenes de Markov i maximització a posteriori (Markov Random Field, MRF- Maximum A Posteriori, MAP) per tal de reduir la interacció amb l’usuari. Per a l’avaluació de la proposta s’ha realitzat un estudi de la influència del tipus de lesió en els resultats aconseguits. De manera complementària, s’ha proposat la inclusió d’elastografia en aquesta estratègia de segmentació, modificant l’algoritme original amb una formulació bi-variant.
Els mètodes que proposa per a cada etapa de l’eina d’ajuda a la diagnosi han estat avaluats amb l’ús de bases de dades diferents. En l’avaluació, feta de manera qualitativa i quantitativa, s’han utilitzat diverses mètriques i ha estat realitzada per a cada etapa de manera independent. La proposta de Gerard Pons, ha obtingut els millors resultats en la detecció de lesions i uns resultats similars als mètodes tradicionals en la detecció de lesions malignes, tot i que en simplifica l’estratègia. Finalment, millora la inicialització del mètode MRF-MAP i ha obtingut resultats més acurats i robustos amb la incorporació de l’elastografia.♦
