CAMPO DA INVENÇÃO

[001] A presente invenção refere-se a um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica e, mais especificamente, a um método auxiliado por computador capaz de identificar e classificar lesões de próstata de acordo com a sua malignidade.

FUNDAMENTOS DA INVENÇÃO

[002] A ressonância magnética multiparamétrica (RM-mp) é um método de imagem que permite a avaliação da doença prostática com alta resolução espacial e alto contraste de partes moles. A RM-mp compreende uma combinação de imagens anatômicas de alta resolução com pelo menos uma técnica de imagem funcional, como, por exemplo realce dinâmico pelo contraste (DCE) e imagens pesadas em difusão (DWI).

[003] Dadas as suas características, a RM-mp vem se tornando uma ferramenta importante na detecção e estadiamento do câncer de próstata (CaP), permitindo um aumento da detecção desse tipo de tumor.

[004] Um dos métodos de detecção de CaP até então mais recomendados pelas sociedades de urologia é rastreamento com dosagem do Antígeno Prostático Específico (PSA) e exame retal digital (DRE). Se um ou ambos são alterados, é realizado um estudo histopatológico de tecido obtido por biópsia de próstata guiada por ultrassom aleatório.

[005] O estado da técnica já prevê o uso da RM-mp na prática clínica de urologistas antes da biópsia para estratificar com precisão a chance de encontrar uma lesão clinicamente significativa e orientar a biópsia, de preferência com um procedimento de biópsia guiada por imagem de fusão.

[006] Um desafio presente na aplicação desse tipo de técnica para a identificação do CaP é a crescente demanda por radiologistas adequadamente treinados e capazes para ler e interpretar os exames. [007] Assim, foram desenvolvidos métodos automatizados para interpretação dos resultados desse tipo de técnica.

[008] O documento US2017/0176565, por exemplo, descreve métodos e sistemas para o diagnóstico de câncer na próstata, compreendendo extrair informação de textura de dados de imagiologia de MRI para um órgão alvo, sendo que a identificação de padrões de textura frequentes podem ser indicativos de câncer. Um modelo de classificação é gerado com base nas características de textura determinadas que são indicativas de câncer, e a informação de previsão de câncer de diagnóstico para o órgão alvo é então gerada para ajudar a diagnosticar o câncer no órgão.

[009] Já o documento US2018/0240233, descreve um método e um aparelho para detecção e classificação automatizada de tumores de próstata em imagens de ressonância magnética multiparamétrica MRI). Um conjunto de imagens de MRI multiparamétrica de um paciente, incluindo uma pluralidade de diferentes tipos de imagens de MRI, é recebido. A detecção simultânea e a classificação dos tumores de próstata no conjunto de imagens multiparamétricas da RM são realizadas usando um codificador-decodificador convolucional treinado multi-canal imagem- imagem.

[0010] Apesar das soluções recentes em desenvolvimento, permanece no estado da técnica a necessidade por um método eficaz e de baixo custo, capaz de executar com rapidez e precisão a interpretação dos resultados da RM-mp.

OBJETIVOS DA INVENÇÃO

[0011] É um dos objetivos da presente invenção proporcionar um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica que seja capaz de ler imagens de ressonância magnética multiparamétrica, segmentando automaticamente a anatomia da próstata e detectando áreas suspeitas clinicamente significativas para o câncer de próstata. [0012] É mais um dos objetivos da presente invenção proporcionar um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica que permita a identificação mais assertiva das lesões, ao realizar previamente a segmentação zonal da próstata em zonas transicional e periférica.

[0013] É ainda outro dos objetivos da presente invenção proporcionar um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica que não utilize mapas K-trans, dispensando a ingestão de contraste pelo paciente durante o procedimento de ressonância e reduzindo riscos ao paciente e custos associados ao procedimento.

BREVE DESCRIÇÃO DA INVENÇÃO

[0014] A presente invenção atinge esses e outros objetivos através de um método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica, compreendendo um módulo de segmentação zonal da próstata, um módulo de identificação de áreas suspeitas de lesão da próstata, e um módulo de classificação de lesões.

[0015] Assim, o método compreende a execução do módulo de segmentação zonal da próstata compreendendo um algoritmo para segmentar, a partir de sequências de imagens ponderadas em T2 das imagens de ressonância magnética multiparamétrica, as zonas periférica e transicional da próstata; a execução do módulo de identificação de áreas suspeitas de lesão da próstata compreendendo o processamento de mapas ADC e imagens ponderadas por difusão (DWI) para a identificação de áreas suspeitas de lesão da próstata, cada uma das áreas suspeitas identificadas possuindo um centroide; e a execução do módulo de classificação de lesões que compreende um classificador que é alimentado por cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata, o classificador compreendendo um primeiro algoritmo classificador, que é alimentado com fatias dos cubos e gera uma probabilidade de significância clínica da lesão, e um segundo algoritmo classificador, que é alimentado com a probabilidade gerada peio primeiro algoritmo, informações oriundas do módulo de segmentação zonal da próstata e informações estatísticas obtidas das sequências de imagens ponderadas em T2, para fornecer uma probabilidade de áreas suspeitas de câncer clinicamente significativo.

[0016] Em uma concretização da invenção, o algoritmo para segmentar as zonas periférica e transicional da próstata é um algoritmo treinado com dados de delimitação manual das zonas periféricas e transicional da próstata. Preferencialmente, o algoritmo para segmentar as zonas periférica e transicional da próstata é um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D.

[0017] As sequências de imagens ponderadas em T2 alimentadas no módulo de segmentação zonal da próstata podem ser previamente processadas com equalização adaptativa, normalização da imagem e corte central.

[0018] No módulo de identificação de áreas suspeitas de lesão da próstata, o processamento de mapas ADC e imagens ponderadas por difusão (DWI) compreende:

[0019] a) a aplicação de um filtro ReLu para a identificação de áreas de congruência na imagem, o filtro ReLu sendo dado pela diferença entre as imagens ADC e DWI, seguindo a equação:

F (x, y, z) = máx (0, ADC (x, y, z) - DWI (x, y, z))

[0020] b) aplicação de um processo de clustering aglomerativo para agregação de voxels próximos às áreas de congruência identificadas; e

[0021] c) identificação das áreas de identificação de áreas suspeitas de lesão da próstata combinando-se as áreas de congruência identificadas com os voxels agregados.

[0022] Os cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata são preferencialmente cubos com arestas de 30 mm. [0023] Preferencialmente, o primeiro algoritmo classificador do módulo de classificação de lesões é uma rede convolucional VGG-16 modificada em 2D e o segundo algoritmo classificador é um algoritmo de random forest.

BREVE DESCRIÇÃO DOS DESENHOS

[0024] A presente invenção será descrita a seguir com mais detalhes, com referências aos desenhos anexos, nos quais:

[0025] Figura 1 - é um fluxograma esquemático do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;

[0026] Figura 2 - é uma ilustração da delimitação manual das zonas transicional e periférica da próstata em uma imagem de ressonância magnética;

[0027] Figura 3 - é um fluxograma esquemático do módulo de segmentação zonal do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;

[0028] Figura 4 - é um fluxograma esquemático do módulo de identificação de áreas suspeitas de lesão da próstata do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;

[0029] Figura 5 - é um fluxograma esquemático do módulo de classificação de lesão da próstata do método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica de acordo com a presente invenção;

[0030] Figura 6 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona transicional da próstata;

[0031] Figura 7 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona transicional da próstata, quando relacionada às anotações dos radiologistas;

[0032] Figura 8 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona periférica da próstata;

[0033] Figura 9 - é uma ilustração das métricas de segmentação dos conjuntos de dados resultantes da avaliação do módulo de segmentação, considerando a delimitação da zona periférica da próstata, quando relacionada às anotações dos radiologistas;

[0034] Figura 10 - ilustra a curva ROC de validação cruzada (VC) da avaliação do algoritmo de classificação considerando um conjunto de dados de teste;

[0035] Figura 11 - ilustra a curva ROC de validação cruzada (VC), da avaliação do algoritmo de classificação considerando outro conjunto de dados de teste;

[0036] Figura 12 - ilustra a lógica da segmentação de próstata do módulo de segmentação da região periférica utilizando as informações de segmentação dos modelos transicional e de próstata inteira;

[0037] Figura 13 - ilustra a topologia da rede neural utilizada para a segmentação da próstata inteira, considerando a entrada esquerda (imagem);

[0038] Figura 14 - ilustra a topologia da rede neural utilizada para a segmentação da próstata inteira, considerando a entrada direita (imagem);

[0039] Figura 15 - ilustra a topologia da rede neural utilizada para a segmentação da próstata inteira, considerando a entrada principal (imagem);

[0040] Figura 16 - ilustra a topologia da rede neural utilizada para a segmentação da região transicional da próstata, considerando a entrada esquerda (imagem); [0041] Figura 17 - ilustra a topologia da rede neural utilizada para a segmentação da região transicional da próstata, considerando a entrada direita (imagem);

[0042] Figura 18 - ilustra a topologia da rede neural utilizada para a segmentação da região transicional da próstata, considerando a entrada principal (imagem); e

[0043] Figura 19 - ilustra a topologia da rede neural utilizada para a classificação de lesões da próstata.

DESCRIÇÃO DETALHADA DA INVENÇÃO

[0044] A presente invenção será descrita a seguir com base em concretizações da invenção ilustradas nas figuras 1 a 19.

[0045] Conforme ilustrado na figura 1 , o método para identificação e classificação de lesões da próstata em imagens de ressonância magnética multiparamétrica da presente invenção compreende a execução de três módulos: um módulo de segmentação zonal da próstata (1 ), um módulo de identificação de áreas suspeitas (2), e um módulo de classificação de lesões (3).

[0046] O módulo de segmentação zonal da próstata compreende um algoritmo para segmentar, a partir de sequências de imagens ponderadas em T2 das imagens de ressonância magnética multiparamétrica, as zonas periférica e transicional da próstata

[0047] Preferencialmente, o algoritmo para segmentar as zonas periférica e transicional da próstata é um algoritmo treinado com dados de delimitação manual das zonas periféricas e transicional da próstata. Tal delimitação manual pode ser feita por um profissional experiente, como, por exemplo, um radiologista com experiencia em imagens de ressonância magnética multiparamétrica.

[0048] A figura 2 mostra um exemplo da delimitação manual, onde pode ser vista a zona transicional (ZT) e a zona periférica (ZP).

[0049] A segmentação em zonas transicional e periférica torna a identificação de lesões clinicamente significativas mais assertiva, uma vez que estudos demonstram que 90% das lesões malignas estão na região periférica. Dessa forma, a depender da localização, a análise é realizada de forma diferenciada.

[0050] Assim, no método da presente invenção, a segmentação zonal da próstata é uma das entradas do módulo de classificação de lesões.

[0051] Conforme melhor ilustrado no fluxograma esquemático figura 3, em uma concretização da invenção, a segmentação zonal da próstata utiliza um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D para realizar a segmentação de toda a próstata, delimitando a ZT e a ZP, sendo utilizadas inicialmente imagens da série axial ponderada em T2.

[0052] Antes de realizar a segmentação, podem ser aplicados algoritmos para o pré-processamento das imagens, incluindo equalização adaptativa, seguida de normalização de imagem e corte central de 80% para ZT e de 40% para ZP.

[0053] A figura 4 ilustra, esquematicamente, a execução do módulo de identificação de áreas suspeitas de lesão da próstata (2).

[0054] Assim, o módulo de identificação de áreas suspeitas de lesão da próstata compreende o processamento de mapas ADC e imagens ponderadas por difusão (DWI) para a identificação de áreas suspeitas de lesão da próstata, cada uma das áreas suspeitas identificadas possuindo um centroide.

[0055] Assim, o algoritmo de identificação de áreas suspeitas do segundo módulo aplica métodos de processamento de imagens em mapas ADC e DWI para localizar áreas com difusão restrita. Uma combinação das imagens é filtrada por intensidades de sinal e seguidas por operações morfológicas resultando em alguns pontos esparsos na próstata.

[0056] Esses métodos de processamento de imagem podem compreender a aplicação de um filtro ReLU pela diferença entre as imagens ADC e DWI, seguindo a equação:

F (x, y, z) = máx (0, ADC (x, y, z) - DWI (x, y, z)) [0057] Após a aplicação do filtro ReLU, podem ser realizados processamentos para mesclar e preencher o aglomerado de voxels próximos, sendo que tais voxels são posteriormente agrupados através de um processo de clustering aglomerativo, para que voxels mais próximos sejam considerados como da mesma área suspeita para análise.

[0058] Assim, a saída do módulo de identificação de áreas suspeitas de lesão da próstata (2) compreende centroides de áreas suspeitas.

[0059] O filtro ReLU aplicado pelo módulo de identificação de áreas suspeitas é baseado na observação clínica que um radiologista faz para diagnóstico da imagem. Como lesões brilham em imagens de DWI (b- valued) e ficam escuras em imagens de ADC, a subtração permite o destaque das zonas que coincidiam positivamente, permitindo a identificação de áreas de congruências.

[0060] A figura 5 ilustra, esquematicamente, a execução do módulo de classificação de lesões.

[0061] O módulo de classificação compreende um classificador que é alimentado por cubos de área predeterminada centrados nos centroides das áreas suspeitas de lesão da próstata. Preferencialmente, os cubos centrados nos centroides são cubos com arestas de 30 mm. Este valor do tamanho do cubo foi escolhido de modo a garantir a cobertura de lesões inteiras com 15 mm, mesmo que o centroide identificado esteja na borda da lesão.

[0062] O classificador compreende um primeiro algoritmo classificador, que é alimentado com fatias dos cubos e gera uma probabilidade de significância clínica da lesão, e um segundo algoritmo classificador, que é alimentado com a probabilidade gerada pelo primeiro algoritmo, informações oriundas do módulo de segmentação zonal da próstata e informações estatísticas obtidas das sequências de imagens ponderadas em T2, para fornecer uma probabilidade de áreas suspeitas de câncer clinicamente significativo. [0063] Preferencialmente, o primeiro algoritmo classificador do módulo de classificação de lesões é uma rede convolucional VGG-16 modificada em 2D e o segundo algoritmo classificador é um algoritmo de random forest.

[0064] Um ponto importante a ressaltar é que o método da presente invenção não utiliza sequências do tipo K-trans. Assim, não é necessário que o paciente faça ingestão de contraste para a geração das imagens, o que traz vantagens associadas à redução de custos, mitigação de riscos de alergia e complicações pulmonares em pacientes com doenças renais crónicas.

CONCRETIZAÇÃO EXEMPLIFICATIVA DO MÉTODO DA PRESENTE

INVENÇÃO

Dados utilizados na concretização exemplificativa do método da presente invenção

[0065] Para a concretização amplificativa do método da presente invenção foram utilizados dados de 163 pacientes anónimos selecionados aleatoriamente dentre pacientes submetidos tanto à ressonância magnética multiparamétrica quanto à biópsia ou prostatectomia subsequente em um intervalo máximo de 6 meses. O único critério de inclusão foi a indicação clínica para uma RM-mp, ou seja, uma suspeita clínica de câncer de próstata devido a um aumento dos níveis de PSA e/ou a uma alteração do toque retal. Os únicos critérios de exclusão foram contraindicações ao método, como, por exemplo, o uso de dispositivos não compatíveis com ressonância magnética ou claustrofobia.

[0066] Todas as imagens foram adquiridas em três scanners Tesla sem bobina endorretal, seguindo o protocolo padrão da RM-mp [informações sobre o protocolo de aquisição podem ser encontrados nas seguintes referências:“PI-RADS: Prostate Imaging - Reporting and Data System” - ACR- Radiology, 2015; Mussi, Thaís Caldara e outros; “Are Dynamic Contrast-Enhanced Images Necessary for Prostate Câncer Detection on Multiparametric Magnetic Resonance Imaging?”, Clinicai Genitourinary Câncer , Volume 15 , Edição 3 , e447 - e454; Mariotti, G.C., Falsarella, P.M., Garcia, R.Ge outros.“Incremental diagnostic value oftargeted biopsy using mpMRI-TRUS fusion versus 14-fragments prostatic biopsy: a prospective controlled study”. Eur Radiol (2018) 28: 1 1 . Disponível em https://doi.orq/10.1007/s00330-017-4939-01.

[0067] As sequências de dados de imagens utilizadas para desenvolver e treinar os algoritmos do método foram: sequências axiais ponderadas em T2 e ponderadas em difusão (DWI), sendo última com valor B de 800 e juntamente com seu mapa ADC pós-processado.

[0068] Para desenvolver e testar a etapa de classificação, foi usado ainda um conjunto de dados externo do concurso internacional PROSTATEx Challenge 2017 [disponível em Armato, Samuel G., Nicholas A. Petrick e Karen Drukker. "PROSTATEx: Prostate MR Classification Challenge (Conference Presentation)." Anais do SPIE, Volume 10134, id. 101344G 1 pp. (2017). 134 (2017).]. Este conjunto de dados é composto por 204 exames também adquiridos em 3T RM sem bobina endorretal, mas de máquinas multivendentes. Desses 204 pacientes, o conjunto de dados fornece 314 lesões confirmadas anotadas, 72 clinicamente significativas e 242 não clinicamente significativas.

Preparação de dados

[0069] Cada exame RM-mp foi inicialmente preparado para criar um conjunto de dados de valor de referência (ground truth) para as tarefas de segmentação zonal e de identificação e classificação de lesões da próstata.

[0070] A primeira consistiu no módulo de segmentação zonal. Para isso todas as fatias das aquisições axiais em T2 de todos os exames incluídos na RM-mp foram analisadas individualmente e a segmentação zonal da próstata foi delimitada manualmente mostrando a zona periférica (ZP) e a zona transicional (ZT).

[0071] Como mostrado na Figura 2, a delimitação manual das zonas periférica e transicional foram sempre realizados e/ou verificados por um radiologista abdominal com mais de dois anos de experiência em ressonância magnética multiparamétrica. Entre todos os exames, 19 foram também verificados por um segundo radiologista, com um ano de experiência em leitura de RM-mp, a fim de criar um segundo conjunto de dados específico para avaliar a variabilidade entre operadores para a segmentação da próstata.

[0072] A segunda etapa consistiu na criação de um conjunto de dados verdadeiros de referência (ground truth) para o algoritmo de detecção e classificação de lesões. Para fazer isso, 88 das 163 séries de imagens foram usadas e classificadas seguindo as diretrizes do PI-RADS v2 [disponíveis em Weinreb, Jeffrey C., et al. "PI-RADS prostate imaging- reporting and data system: 2015, version 2." European urology 69.1 (2016): 16-40] Novamente, todos esses exames foram analisados individualmente pelo mesmo radiologista de próstata com dois anos de experiência, e desses 67 não tiveram achados significativos na ressonância (PI-RADS 1 - 2) e uma biópsia aleatória negativa. Assim, esses 67 exames foram considerados como negativos verdadeiros no conjunto de dados. Os outros 21 exames tiveram pelo menos uma área indeterminada ou uma área suspeita de uma lesão clinicamente significativa na RM-mp (PI-RADS 3 ou 4-5, respectivamente), e essa área foi confirmada como um tumor significativo (Gleason> 6) em biópsia realizada com combinação RM_mp- US ou prostatectomia. Assim, esses 21 foram considerados como positivos verdadeiros no conjunto de dados. Para estes casos, todas as lesões foram anotadas, indicando os centroides da lesão na série 3D.

Método de indefinição e classificação de lesões assistido por computador de acordo com a concretização exemplificativa do método da presente invenção

[0073] O método da presente invenção compreende três módulos: (1 ) um módulo de segmentação zonal, (2) um módulo de identificação de áreas suspeitas e (3) um módulo de classificação de lesões.

[0074] O módulo de segmentação zonal compreende um algoritmo baseado em uma rede neural convolucional (CNN) baseada na topologia U-Net 2D para realizar a segmentação de toda a próstata, delimitando a zona transicional (ZT) e a zona periférica (ZP).

[0075] Um exemplo da topologia utilizada é aquele proposto por Ronneberger, Fischer e Brox, T.no artigoo“U-Net: Convolutional Networks for Biomedical Image Segmentation.”

[0076] Para o módulo de segmentação zonal são utilizadas inicialmente imagens da série axial ponderada em T2.

[0077] Antes de realizar a segmentação, são aplicados algoritmos para o pré-processamento das imagens, incluindo equalização adaptativa, seguida de normalização de imagem e corte central de 80% para ZT e de 40% para ZP.

[0078] Um exemplo de um pré-processamento de equalização adaptativa é proposto por Pfizer e outros no artigo“Adaptive histogram equalization for automatic contrast enhancement of medicai images” [Pizer, Stephen M , et al. "Adaptive histogram equalization for automatic contrast enhancement of medicai images." Application of Optical Instrumentation in Medicine XIV and Picture Archiving and Communication Systems. Vol. 626. International Society for Optics and Photonics, 1986.] Um exemplo de normalização de imagem é proposto por Hackeling to artigo“Mastering Machine Learning with scikit-learn” [Hackeling, Gavin. Mastering Machine Learning with scikit- learn. Packt Publishing Ltd, 2017.]

[0079] O algoritmo de segmentação foi treinado com 100 pacientes e validado em 44 pacientes, em seguida, o modelo final foi escolhido com base na melhor pontuação obtida no conjunto de dados de validação durante o processo de treinamento.

[0080] Conforme ilustrado na figura 12, a lógica adotada para a segmentação compreende a segmentação da próstata inteira e a segmentação da próstata transicional. A segmentação da região periférica é basicamente a segmentação da região transicional menos a próstata inteira. [0081] As figuras 13 a 15 mostram a topologia da rede neural utilizada para a segmentação da próstata inteira, sendo a figura 13 a entrada esquerda (imagem), a figura 14 a entrada direita (imagem) e a figura 16 a entrada central (imagem).

[0082] As figuras 16 a 18 mostram a topologia da rede neural utilizada para a segmentação da zona transicional, sendo a figura 16 a entrada esquerda (imagem), a figura 17 a entrada direita (imagem) e a figura 18 a entrada central (imagem).

[0083] O algoritmo de identificação de áreas suspeitas do segundo módulo aplica métodos de processamento de imagens em mapas ADC e DWI para localizar áreas com difusão restrita. Uma combinação das imagens é filtrada por intensidades de sinal e seguidas por operações morfológicas resultando em alguns pontos esparsos na próstata.

[0084] Esses métodos de processamento de imagem compreendem a aplicação de um filtro ReLU pela diferença entre as imagens ADC e DWI, seguindo a equação:

F (x. y, z) = máx (0, ADC (x, y, z) - DWI (x, y, z))

[0085] Depois disso, é aplicada uma operação de abertura e uma de fechamento para mesclar e preencher o aglomerado de voxels próximos. Um exemplo desse tipo de operação é proposto por Gonzales e Woods no artigo“Digital image Processing” [Gonzalez, Rafael C., and Richard E. Woods. "Image Processing." Digital image Processing 2 (2007).]

[0086] Esses voxels são então agrupados através de um processo de clustering aglomerativo, para que voxels mais próximos sejam considerados como da mesma área suspeita para análise. Um exemplo de processo de clustering aglomerativo é proposto por Duda e Hart no artigo "Pattern classification and scene analysis." [Duda, Richard O., and Peter E. Hart. "Pattern classification and scene analysis." A Wiley-lnterscience Publication, New York: Wiley, 1973 (1973).] [0087] O último módulo do método compreende o algoritmo de classificação de lesões. Esse algoritmo recebe os centroides dessas áreas suspeitas para classificá-los de acordo com a significância clínica.

[0088] O classificador foi desenvolvido como uma combinação de dois modelos cujas entradas são cubos de 30 mm no centroide de áreas suspeitas. Este valor do tamanho do cubo foi escolhido porque o corte Pl- RADS 5 (a nota mais alta) é de 15 mm. Assim, a escolha garante a cobertura de lesões inteiras com 15 mm, mesmo que o centroide identificado esteja na borda da lesão.

[0089] As sequências de imagens utilizadas para esta etapa foram: axiais ponderadas em T2, DWI e mapa ADC.

[0090] O primeiro modelo do classificador compreende uma rede convolucional VGG-16 modificada em 2D que recebe as fatias de cubos e gera a probabilidade de significância clínica. Um exemplo de VGG-16 é proposto por Simonyan e Zisserman [Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition.]

[0091] O segundo modelo do classificador é um classificador de random forest que mescla as saídas do VGG com características estatísticas (Máximo, Média, Desvio Padrão, Assimetria e Curtose), além da localização do tumor (ZT ou ZP) obtida na etapa de segmentação. O resultado final é a probabilidade de áreas suspeitas de câncer clinicamente significativo.

[0092] A figura 19 mostra a topologia de rede de classificação da lesão da próstata.

[0093] Especificamente para esta etapa de classificação, o processo de treinamento e a validação de modelos usou o conjunto de dados externo do concurso internacional PROSTATEx Challenge 2017.

Avaliação Estatística da concretização exemplificativa do método da presente invenção [0094] A avaliação estatística para cada módulo do método da presente invenção foi executada com o objetivo de julgar cada módulo como uma parte diferente do método.

Módulo de Segmentação

[0095] Primeiro, para o módulo de segmentação, o coeficiente DICE, a sensibilidade e a distância Hausdorff 95 foram considerados como métricas de avaliação.

[0096] O coeficiente DICE (equação 1 ), também chamado de índice de sobreposição, é a métrica mais utilizada na validação de segmentações de volume médicas. Ele executa uma média harmónica entre o que foi previsto (X) e a verdade fundamental (Y):

Equação 1

[0097] A sensibilidade, Recall ou taxa positiva verdadeira (TPR), mede a porção de voxels positivos na verdade de referência (ground truth) (TP) que também são identificados como positivos pela segmentação sendo avaliada (TP + FN), conforme descrito na equação 2:

Equação 2

[0098] Considerando que a saída da segmentação será usada para procurar por áreas suspeitas na próstata (segundo módulo), é desejável que toda a glândula seja analisada, o que significa que a avaliação da sensibilidade é importante.

[0099] E, finalmente, completando a análise com uma métrica de distância espacial, a distância de Hausdorff (HD) também foi considerada.

[00100] Como a HD é geralmente sensível a valores discrepantes, o que é bastante comum em segmentações de imagens médicas, consideramos o quantil HD para avaliar melhor as posições espaciais dos voxels. [00101] Considerando A, B dois subconjuntos de pontos não vazios e finitos, a distância dirigida de Hausdorff h (A, B) corresponde ao valor da distância máxima do conjunto com os valores normais || a - b ||, por exemplo, Distância euclidiana. O HD (A, B) é obtido pelo valor máximo de h, conforme mostrado nas próximas equações:

HD(A, B ) = max(h(A, B), h {B, A))

Equações 3 e 4

Módulo de identificação de áreas suspeitas

[00102] Em segundo lugar, o escore de sensibilidade também foi utilizado para avaliar a identificação das áreas suspeitas. Essa métrica foi considerada suficiente, pois o objetivo deste módulo é evitar a perda de regiões verdadeiras com lesões, ou seja, os falsos negativos (FN) são indesejáveis e os falsos positivos (FR) são indiferentes porque a responsabilidade de eliminá-los pertence ao classificador na próxima etapa. Para aplicar corretamente a sensibilidade no problema de detecção de lesão, uma distância máxima de 5 mm entre os centroides identificados (pelo algoritmo) e de destino (valor de referência - ground truth) foi considerada como um critério de representação da mesma área.

Módulo de classificação de lesões

[00103] Por fim, o módulo de classificação das lesões foi avaliado através da curva Receiver Operating Characteristic (ROC) e sua área sob a curva. Ele tem uma interpretação significativa para a classificação de doenças de indivíduos saudáveis e também foi adotado como a métrica de classificação pelo PROSTATEx Challenge 2017, tornando possível comparar melhor o desempenho do método com o estado da arte para a classificação de lesão de próstata.

Resultados experimentais da avaliação da concretização exemplificativa do método da presente invenção

Segmentação Zonal [00104] Considerando a base de dados de 163 pacientes para a etapa de segmentação zonal, 44 pacientes foram selecionados como conjunto de dados de validação e 19 pacientes foram selecionados como conjunto de dados de teste.

[00105] Um dos 44 casos de validação foi excluído do conjunto, já que sua ressonância multiparamétrica foi adquirida após um procedimento de prostatectomia.

Segmentação da zona transicional (ZT)

[00106] A tabela 1 a seguir e as distribuições mostradas na figura 6 apresentam as métricas de segmentação dos conjuntos de dados. Além disso, a figura 7 mostra a distribuição DICE entre as anotações de campo de dois radiologistas, de modo a ilustrar a variabilidade interoperador do problema.

Tabela 1 - Sumário de métricas da segmentação da zona transiciona

[00107] Os escores da mediana DICE obtida foram de 0,8083 entre as anotações dos dois radiologistas e de 0,7857 entre o algoritmo e a anotação do radiologista mais experiente, com uma diferença de 0,8038 - 0,7857 = 0,0181 (erro relativo = 0,025).

Segmentação da zona periférica (ZP)

[00108] De modo análogo à segmentação da ZT, a tabela 2 a seguir e as distribuições mostradas na figura 8 apresentam as métricas de segmentação dos conjuntos de dados. Além disso, a figura 9 mostra a distribuição DICE entre as anotações de campo de dois radiologistas, de modo a ilustrar a variabilidade interoperador do problema.

Tabela 2 - Sumário de métricas da segmentação da zona periférica

[00109] A avaliação da segmentação ZP apresentou um comportamento similar ao da avaliação da segmentação ZT, com valores DICE relativamente próximos entre o teste e os radiologistas, com um erro relativo de 0,0781 .

[00110] O resultado da análise do interoperador para segmentação ZP e ZT permite quantificar a concordância dos radiologistas para o conjunto de dados de teste. Ainda que tenham sido usados apenas dois radiologistas observadores, o dado mediano entre os radiologistas foi similar alcançado pelos dados entre o algoritmo e o radiologista, o que demonstra que o algoritmo foi capaz de realizar uma análise similar a dos radiologistas. Módulo de identificação de áreas suspeitas

[00111] Para o experimento do módulo de identificação de áreas suspeitas, 21 pacientes do total de 88 pacientes foram avaliados, com 22 lesões confirmadas. Duas das 22 lesões confirmadas estavam localizadas na vesícula seminal e foram excluídas da análise de identificação por esse motivo, resultando em 20 lesões a serem identificadas como áreas suspeitas.

[00112] A sensibilidade da etapa de identificação das áreas suspeitas foi de 1 ,0 (100%), detectando todas as 20 lesões consideradas. Sua taxa de achados foi de 1 ,85 áreas suspeitas por lesão verdadeira, em um total de

37.

[00113] Assim, os resultados demonstram que o módulo de identificação de áreas suspeitas é capaz de automatizar a busca por lesões clinicamente significativas através do rastreamento das áreas de restrição de difusão com métodos de processamento de imagens.

Classificação das lesões da próstata [00114] Para a avaliação do módulo de classificação de lesões, dois conjuntos de dados diferentes foram utilizados: um conjunto com 88 exames e um conjunto com 204 exames (PROSTATEx).

[00115] Conforme mostrado na figura 10, a série 204 PROSTATEx, com 314 lesões clinicamente significativas e não clinicamente significativas, foi utilizada por meio de validação cruzada (VC), utilizando 5 partições para avaliar o desempenho do algoritmo. A área abaixo da Curva ROC corresponde à pontuação VC da competição.

[00116] A Matriz de confusão para validação cruzada das 5 partições aplicada ao conjunto de dados de treinamento do PROSTATEx é mostrada na tabela 3 abaixo.

Tabela 3 - Matriz de confusão

[00117] A tabela 4 abaixo mostra as métricas Precision e Recall para a validação cruzada das 5 partições aplicada ao conjunto de dados de treinamento do PROSTATEx.

Tabela 4 - Métricas (VC)

[00118] O algoritmo do módulo de classificação também foi avaliado no banco de dados de teste de 88 exames para fazer uma análise mais robusta em relação à generalização do modelo e avaliar seu desempenho sem mapas K-trans. O AUCROC obtido foi de 0,82 para o conjunto de dados de teste (vide Figura 1 1 ).

[00119] Tendo sido descritos exemplos de concretizações da presente invenção, deve ser entendido que o escopo da presente invenção abrange outras variações possíveis do conceito inventivo descrito, sendo limitadas tão somente pelo teor das reivindicações anexas, aí incluídos os possíveis equivalentes.