Identifying Prostate Cancer using Neural Network Image Segmentation

Abstract

O cancro da próstata é um dos mais diagnosticados mundialmente em homens. O diagnóstico e o estadiamento desempenham um papel essencial para permitir a detecção precoce da doença e aumentar as hipóteses de sobrevivência e a eficácia do tratamento.Para diagnosticar e localizar o cancro, podem ser utilizadas várias técnicas de imagiologia médica, tais como radiografia, tomografia computorizada, ressonância magnética, ultra-som e imagiologia nuclear, cada uma fornecendo diferentes tipos de informação. Entre estas, a ressonância magnética multi-paramétrica é a modalidade mais promissora capaz de avaliar a localização, tamanho e fase da lesão dentro da próstata. No entanto, devido à anatomia da próstata, a identificação destas lesões pode ser complicada. Por conseguinte, os modelos de aprendizagem computacional podem ser utilizados para melhorar o diagnóstico. Por esse motivo, o foco principal desta tese é expandir uma segmentação a nível de píxeis da próstata para identificar os tumores cancerosos. Uma base de dados de 1151 pacientes com cancro da próstata do cancer imaging archive é utilizada para atingir este objectivo, a partir do qual foram seleccionados 707 pacientes. Quatro arquitecturas de redes neurais são propostas para realizar a segmentação em imagens de ressonância magnética. Um U-net simples é utilizado para a segmentação individual da próstata e do tumor. Um U-net cascata é utilizada para fundir as duas tarefas numa única rede. E as duas últimas são um híbrido destes dois modelos que aproveitam a informação do U-net simples numa arquitectura semelhante à do U-net cascata com foco na segmentação do tumor.O U-net simples obteve os melhores resultados para a segmentação da próstata, mas teve um desempenho inferior para a segmentação tumoral. Como resultado, as outras redes foram implementadas para superar esta dificuldade e, em última análise, melhoraram a capacidade de previsão.

Prostate cancer is one of the most common cancers diagnosed among men. Diagnosing and staging play an essential role in allowing early detection of the disease and increasing the chances of survival and the effectiveness of the treatment.To diagnose and localize cancer, several medical imaging techniques may be used, such as radiography, computed tomography (CT), magnetic resonance imaging (MRI), ultrasound (US) and nuclear imaging, each providing different types of information. Among these, multi-parametric magnetic resonance imaging (mpMRI) is the most promising modality capable of assessing the lesion's localization, size, and stage within the prostate. However, because of the prostates' anatomy, identifying these lesions can be complicated. Therefore, machine learning models can be used to improve the diagnosis. On that account, the main focus of this thesis is to extend a pixel-level segmentation of the prostate to identify cancerous tumors. A database of 1151 prostate cancer patients from the cancer imaging archive is used to achieve this goal, from which 707 patients were selected. Four alternative state of the art neural network architectures are proposed to perform segmentation on MRI images. A simple U-net is used for individual prostate and tumor segmentation. A cascade U-net is used to fuse the two tasks in one network. And the last two are a hybrid of these two designs that leverages information from the simple U-net in a cascade U-net-like architecture focused on the tumor segmentation.The simple U-net obtained the best results for prostate segmentation but underperformed with tumor segmentation. As a result, the other networks were implemented to overcome this difficulty and ultimately improved the predictive capability.