Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/40781
Title: | Potencial do machine learning como preditor da classificação PI-RADS™ v2.1 |
Author: | Azevedo, Inês Alexandra Antunes de |
Advisor: | De Francesco, Silvia Carramate, Lara Filipa das Neves Dias |
Keywords: | Próstata Ressonância magnética multiparamétrica PI-RADS™ Características radiómicas Machine learning |
Defense Date: | 12-Dec-2023 |
Abstract: | A ressonância magnética multiparamétrica (Multiparametric Magnetic
Resonance Imaging - mpMRI) permite uma melhor visualização e deteção
das lesões da próstata do que os métodos de imagem convencionais.
O Prostate Imaging Reporting and Data System (PI-RADS™) v2.1 propõe
uma classificação para a interpretação de imagens de mpMRI. Contudo,
esta classificação envolve a interpretação das imagens por radiologistas e,
portanto, a variabilidade entre leitores é inevitável.
Muitos métodos de Machine Learning (ML) foram desenvolvidos para
melhorar a diferenciação entre cancro da próstata clinicamente significativo
(csPCa) e não-csPCa, aperfeiçoando a classificação PI-RADS™.
Objetivo: O presente trabalho pretende explorar a utilização de métodos
computacionais de ML, com o intuito de melhorar o desempenho na
classificação PI-RADS™ v2.1 do csPCa.
Metodologia: De uma amostra de 50 mpMRI da próstata, após segmentação
manual da próstata, procedeu-se à extração das características radiómicas
das imagens, através do programa LIFEx-7.2.0, sendo posteriormente
carregadas na aplicação Classification Learner, que faz parte do ambiente
computacional Matlab, para treino e teste de diferentes classificadores com
o objetivo de obter uma categorização dos casos de acordo com a
classificação PI-RADS™ v2.1.
Resultados: No geral, o classificador Bagged Tree e a sequência DWI
apresentaram melhores níveis de acurácia, contudo, devido à fraca
representatividade de algumas classes PI-RADSTM na amostra de casos
clínicos disponível, a classificação nas 4 classes PI-RADSTM não teve
sucesso (acurácia 48%). Melhores resultados foram obtidos na classificação
em 3 (acurácia 64%) e 2 (acurácia 88%) classes para discriminação entre
casos de csPCa e de não-csPCa.
Conclusão: Conseguiu-se discriminar o csPCa do não-csPCa com elevado
nível de acurácia (88%). Para a classificação em todas as classes PIRADSTM
v2.1 verificou-se a necessidade de uma amostra maior com melhor
representatividade de todas as classes. Multiparametric Magnetic Resonance Imaging (mpMRI) allows for improved visualization and detection of prostate lesions compared to conventional imaging methods. The Prostate Imaging Reporting and Data System (PIRADS ™) v2.1 proposes a classification system for interpreting mpMRI images. However, this classification involves the interpretation of images by radiologists, leading to inevitable variability among readers. Many Machine Learning (ML) methods have been developed to enhance the differentiation between clinically significant prostate cancer (csPCa) and non-csPCa, thereby refining the PI-RADS™ classification. Objective: This study aims to explore the use of computational ML methods to improve the performance of PI-RADS™ v2.1 classification for csPCa. Methodology: A sample of 50 prostate mpMRI studies was selected. After performing prostate manual segmentation, radiomic features were extracted using the LIFEx-7.2.0 software. Subsequently, these features were loaded into the Classification Learner application, which is part of the Matlab computational environment, to train and test different classification models in the categorization of cases according to the PI-RADS™ v2.1 classification. Results: In general, the Bagged Tree classifier and the DWI sequence showed higher levels of accuracy; however, due to the weak representativeness of some PI-RADSTM classes in the available sample of clinical cases, classification in the 4 PI-RADSTM classes was unsuccessful (accuracy 48%). Better results were obtained in the classification in 3 (accuracy 64%) and 2 (accuracy 88%) classes to discriminate csPCa from non-csPCa cases. Conclusion: It was possible to discriminate csPCa from non-csPCa with a high level of accuracy (88%). For classification across all PI-RADS™ v2.1 classes, a larger sample with better representation of all classes is needed. |
URI: | http://hdl.handle.net/10773/40781 |
Appears in Collections: | DCM - Dissertações de mestrado UA - Dissertações de mestrado DETI - Dissertações de mestrado DFis - Dissertações de mestrado ESSUA - Dissertações de mestrado DEGEIT - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Inês_Azevedo.pdf | 3.28 MB | Adobe PDF |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.