DOI:
https://doi.org/10.14483/22484728.17965Publicado:
2020-07-22Número:
Vol. 14 Núm. 2 (2020)Sección:
Visión InvestigadoraMedición sobre MRI para diagnóstico de cáncer de próstata
Measurement on MRI for prostate cancer diagnosis
Palabras clave:
Diagnosis, Machine learning, Measurement, Prostate cancer (en).Palabras clave:
Diagnóstico, Aprendizaje automático, Medición, Cáncer de próstata (es).Descargas
Resumen (es)
El aparato reproductor masculino tiene una glándula ubicada debajo de la vejiga y frente al recto: la próstata. Rodea la uretra y tiene la función de producir un componente líquido en el líquido seminal. Con el tiempo, esta glándula tiende a agrandarse y bloquear la uretra, lo que dificulta la micción o la función sexual. Esta alteración se conoce como hiperplasia prostática, que se corrige con cirugía. En ocasiones se confunde con el cáncer de próstata por la similitud de los síntomas, que es frecuente en los hombres.
El diagnóstico de esta enfermedad generalmente se realiza mediante una técnica manual llamada tacto rectal y una prueba de laboratorio que mide los niveles de PSA en la sangre. Es una sustancia que se encuentra en la sangre de una persona que suele tener cáncer de próstata. Además, el diagnóstico se apoya en una ecografía transrectal a través de un catéter. Este proceso integral ayuda a determinar la extensión del cáncer de próstata y a designar el tratamiento correcto. El estado de la lesión de próstata se evalúa mediante la práctica de una resonancia magnética (MRI). Es un procedimiento realizado por ondas de radio y una computadora que crea imágenes detalladas de áreas de la próstata. Analiza la condición de la próstata y determina el procedimiento o tratamiento de acuerdo con el estado de la lesión, por ejemplo, cirugía, radioterapia u observación monitoreada. Para definir qué tipo de tratamiento es fundamental analizar los diferentes estadios de la enfermedad y el Gleason Score, una medida del grado histológico, que va de 2 a 10, que indica la probabilidad de diseminación o extensión del tumor.
Esta investigación se centra en el análisis y la extracción de medidas para clasificar formas de lesiones prostáticas que apoyen su diagnóstico. Considera la categorización PI-RADS, que actualmente determina la probabilidad de padecer cáncer de próstata clínicamente significativo. Para ello, se realizó un análisis utilizando una interpretación geométrica de diferentes categorizaciones de cáncer (4-5). Se realizó un procesamiento digital de imágenes de Python en T2, ADC y DWI aplicando el concepto de curva, momentos Zernike, dimensión fractal, dimensión Caliper, la curvatura absoluta total, la flexión de energía, dirección, convexidad, circularidad, compacidad, momentos Hu, dimensión, excentricidad, extensión, solidez, orientación, longitud del eje más grande, longitud del eje más pequeño, radio, centro, centroide, longitud y área.
Resumen (en)
The male reproductive system has a gland located below the bladder and in front of the rectum: the prostate. It surrounds the urethra and has the function of producing a fluid component in the seminal fluid. Over time, this gland tends to enlarge and block the urethra, making it difficult to urinate or sexual function. This alteration is known as harmless prostatic hyperplasia, which is corrected with surgery. Sometimes it is confused with prostate cancer due to the similarity of the symptoms, which is frequent in men.
Diagnosis of this disease is generally made using a manual technique called a digital rectal examination and a laboratory test that measures PSA levels in the blood. It is a substance found in the blood of someone who usually has prostate cancer. Additionally, the diagnosis is supported by a transrectal ultrasound through a catheter. This comprehensive process helps to determine the extension of prostate cancer and designate the correct treatment. The status of prostate injury is assessed by practicing a Magnetic Resonance Imaging (MRI). It is a procedure performed by radio waves and a computer that creates detailed prostate areas' images. It analyzes the prostate condition and determines the procedure or treatment according to the injury's status, for example, surgery, radiation therapy, or monitored observation. To define what kind of treatment, it is essential to analyze the different disease stages and the Gleason Score, a measurement of the histological grade, ranging from 2 to 10, that indicates the probability of spreading or extending the tumor.
This research focuses on the analysis and the extraction of measurements to classify forms of prostate lesions to support its diagnosis. It considers the PI-RADS categorization, which currently determines the probability of suffering from clinically significant prostate cancer. For this purpose, an analysis was made using a geometric interpretation from different categorizations of cancer (4-5). A digital processing of Python images on T2, ADC, and DWI was made applicating the concept of the curve, Zernike moments, fractal dimension, Caliper dimension, the total absolute curvature, the energy bending, direction, convexity, circularity, compactness, Hu moments, dimension, eccentricity, extent, solidity, orientation, largest axis length, smallest axis length, radius, center, centroid, length, area.
Referencias
G. M. Carrillo, S. P. Carreño, y L. M. Sánchez, "Competencia para el cuidado en el hogar y carga en cuidadores familiares de adultos y niños con cáncer", rev. investig. andin., vol. 20, no. 36, pp. 87-101, 2018.
C. Ramos, A. Mercado, “Detección precoz de cáncer de próstata: Controversias y recomendaciones actuales”, Revista Médica Clínica Las Condes, vol. 29, no. 2, pp. 128-135, 2018. https://doi.org/10.1016/j.rmclc.2018.02.013
T. Hambrock, et al., “Prospective assessment of prostate cancer aggressiveness using 3-T diffusion-weighted magnetic resonance imaging-guided biopsies versus a systematic 10-core transrectal ultrasound prostate biopsy cohort”, European Urology, vol. 61, no. 1, pp. 177-184, 2012. https://doi.org/10.1016/j.eururo.2011.08.042
K. Nguyen, B. Sabata, A. Jain, “Prostate cancer grading: Gland segmentation and structural features”, Pattern Recognition Letters, vol. 33, no. 7, pp. 951-961, 2012. https://doi.org/10.1016/j.patrec.2011.10.001
Medimaging, "Una herramienta nueva de aprendizaje automático predice con exactitud el cáncer de próstata - Industria - Medimaging.es". [Online]. Available at: https://www.medimaging.es/industria/articles/294777132/una-herramienta-nueva-de-aprendizaje-automatico-predice-con-exactitud-el-cancer-de-prostata.html
J. C. Batlle et al., "Diagnóstico del cáncer de próstata mediante espectroscopia de resonancia magnetica endorectal", Arch. Esp. Urol., vol. 59, no. 10, pp. 953-963, 2006. https://doi.org/10.4321/S0004-06142006001000003
C. Vargas, "Diferenciación entre prostatitis y cáncer de próstata utilizando el sistema PI-RADS", 2016. [Online]. Available at: https://cbseram.com/2016/06/22/diferenciacion-entre-prostatitis-y-cancer-de-prostata-utilizando-el-sistema-pi-rads/
T. Hambrock et al., "Prospective assessment of prostate cancer aggressiveness using 3-T diffusion-weighted magnetic resonance imaging-guided biopsies versus a systematic 10-core transrectal ultrasound prostate biopsy cohort", Eur. Urol., vol. 61, no. 1, pp. 177-184, 2012. https://doi.org/10.1016/j.eururo.2011.08.042
R. E. Valero Vargas, J. J. Palacios Rozo, R. González Silva, “Tecnologías de la Información y la Comunicación y los Objetos Virtuales de Aprendizaje: un apoyo a la presencialidad”, Revista vínculos, vol. 16, no. 1, pp. 82–91, jun. 2019. https://doi.org/10.14483/2322939X.15537
SEOM, "Cáncer de Próstata - SEOM: Sociedad Española de Oncología Médica", 2019. [Online]. Available at: https://seom.org/info-sobre-el-cancer/prostata?showall=1
A. B. Rosenkrantz and S. S. Taneja, "Radiologist, be aware: Ten pitfalls that confound the interpretation of multiparametric prostate MRI", American Journal of Roentgenology, vol. 202, no. 1. pp. 109-120, 2014. https://doi.org/10.2214/AJR.13.10699
Radiology, "The Radiology Assistant: Prostate Cancer - PI-RADS v2". [Online]. Available at: https://radiologyassistant.nl/abdomen/prostate/prostate-cancer-pi-rads-v2
P. Guzmán, A. Messina, "Cáncer de próstata, el problema del diagnóstico ¿Es la resonancia multiparamétrica de próstata la solución?", Rev. Chil. Radiol., vol. 25, no. 2, pp. 60-66, 2019. https://doi.org/10.4067/S0717-93082019000200060
I. Robles, “Identificacion de Biomarcadores Predictivos, Pronósticos y de Respuesta al Cancer de Prostata”, 2018. [Online]. Available at: http://digibug.ugr.es/bitstream/handle/10481/52748/29070302.pdf?sequence=4
N. A. Ramirez, E. Gómez, O. Forero, "Clasificadores supervisados del cáncer de próstata a partir de imágenes de resonancia magnética en magnetic resonance images in T2 sequences”, 14th Iberian Conference on Information Systems and Technologies (CISTI), 2019. https://doi.org/10.23919/CISTI.2019.8760647
J. I. Díaz, "Matemáticas y Ciencias de la Salud", pp. 65-67, 2005. [Online]. Available at: http://www.mat.ucm.es/imi/documents/ActasMatematicasCienciasDeLaSalud.pdf
S. L. Goldenberg, G. Nir, and S. E. Salcudean, "A new era: artificial intelligence and machine learning in prostate cancer", Nat. Rev. Urol., vol. 16, no. 7, pp. 391-403, 2019. https://doi.org/10.1038/s41585-019-0193-3
R. Cuocolo et al., "Machine learning applications in prostate cancer magnetic resonance imaging", Eur. Radiol. Exp., vol. 3, no. 1, 2019. https://doi.org/10.1186/s41747-019-0109-2
N. Ramírez, E. Aparicio, E. Gómez, "Supervised classifiers of prostate cancer. A geometric study on magnetic resonance images T2 weighted (T2W), by diffusion (DWI-ADC)," Congr. Int. electrónica, Control y telecomunicaciones, p. 51, 2018.
E. L. Díaz Gutiérrez y C. F. Valderrama García, “Evaluación de la usabilidad de los EVA (entornos virtuales de aprendizaje) a partir de la experiencia de usuarios aplicando lógica difusa”, Revista vínculos, vol. 15, no. 2, pp. 150–159, oct. 2018. https://doi.org/10.14483/2322939X.14006
S. Yoo, I. Gujrathi, M. A. Haider, and F. Khalvati, "Prostate Cancer Detection using Deep Convolutional Neural Networks", Sci. Rep., vol. 9, no. 1, pp. 1-10, 2019. https://doi.org/10.1038/s41598-019-55972-4
I. Simon, C. R. Pound, A. W. Partin, J. Q. Clemens and W. A. Christens-Barry, "Automated image analysis system for detecting boundaries of live prostate cancer cells", Cytometry, vol. 31, no. 4, pp. 287-294, 1998. https://doi.org/10.1002/(SICI)1097-0320(19980401)31:4<287::AID-CYTO8>3.0.CO;2-G
S. Sarkar and S. Das, "A Review of Imaging Methods for Prostate Cancer Detection", Biomed. Eng. Comput. Biol., vol. 7, no. 1, 2016. https://doi.org/10.4137/BECB.S34255
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2021 Visión electrónica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
atribución- no comercial 4.0 International