Automated Prostate Cancer Localisation Using Multiparametric MRI
Translated title
Automatiseret Lokalisering af Prostatakræft Baseret på Multiparametrisk MRI
Authors
Munk, Astrid Husballe ; Sohrt-Petersen, Søren
Term
4. term
Publication year
2014
Submitted on
2014-06-03
Pages
112
Abstract
Prostatakræft er den næst hyppigst diagnosticerede kræftform i verden. Mistanke opstår ofte på baggrund af en PSA-blodprøve og en rektal eksploration, men en sikker diagnose kræver en nålebiopsi. Biopsier indebærer risiko for alvorlige komplikationer og kan have lav følsomhed, fordi nålen kan overse tumorer. Transrektal ultralyd bruges typisk til at styre biopsinålen, men mange tilfælde opdages stadig ikke ved første biopsi. Magnetisk resonans (MR) kan hjælpe med at skelne mellem sundt og kræftsygt prostatavæv, især når man bruger multiparametrisk MR (mpMR), der kombinerer flere billedtyper for at fremhæve forskellige vævsegenskaber. I dag tolkes disse billeder ofte visuelt og kvalitativt, hvilket kan give varierende resultater. Der er behov for en mere kvantitativ og reproducerbar analyse. Dette projekt foreslår en automatiseret metode til at lokalisere prostatakræft ved hjælp af mpMR-data bestående af T2-vægtede, diffusionsvægtede og T1-vægtede dynamisk kontrastforstærkede billeder. Metoden har tre trin: Først segmenteres prostata. Derefter klassificeres hver voxel (et lille tredimensionelt billedpunkt) inde i prostata som enten mistænkelig for kræft eller som normalt væv, baseret på billedintensitet og tekstur. Til sidst samles de mistænkelige voxler i sammenhængende regioner ved hjælp af to billedbehandlingsmetoder (Laplacian-of-Gaussian kantdetektion og watershed-transformation), hvorefter hver region klassificeres som kræft eller normal. En region, der identificeres samme sted på flere billedtyper, betragtes som en lokaliseret tumor. Sammenlignet med ekspertmarkerede tumorlokationer viste metoden lovende resultater. Med LoG-kantdetektion blev 9 af 11 reelle tumorer lokaliseret korrekt, med i gennemsnit 2,67 falsk positive tumorer. Med watershed blev 8 af 11 tumorer lokaliseret korrekt, med i gennemsnit 1,33 falsk positive tumorer. Den foreslåede metode er et lovende redskab i håndteringen af prostatakræft og kan som diagnostisk værktøj hjælpe med at målrette biopsier. På længere sigt kan automatiseret lokalisering med mpMR, efter yderligere forbedringer og forskning, muligvis bruges til screening og helt erstatte behovet for biopsi.
Prostate cancer is the second most frequently diagnosed cancer worldwide. Suspicion typically arises from a PSA blood test and a digital rectal examination, but a definite diagnosis requires a needle biopsy. Biopsies carry a risk of serious complications and can have low sensitivity because the needle may miss tumors. Although transrectal ultrasound is used to guide biopsy needles, many cases still go undetected after the first procedure. Magnetic resonance imaging (MRI) can help distinguish healthy from cancerous prostate tissue, especially when using multiparametric MRI (mpMRI), which combines several image types to highlight different tissue properties. Today, these images are often interpreted qualitatively by visual inspection, which can lead to variable results. A more quantitative and reproducible approach is needed. This project proposes an automated method to locate prostate cancer using mpMRI data from T2-weighted, diffusion-weighted, and T1-weighted dynamic contrast-enhanced scans. The method has three stages: First, the prostate is segmented. Next, each voxel (a tiny three-dimensional image element) inside the prostate is classified as suspicious for cancer or normal based on image intensity and texture. Finally, neighboring suspicious voxels are grouped into regions using two image-processing techniques (Laplacian-of-Gaussian edge detection and the watershed transform), and each region is classified as cancer or normal. A region seen in the same location across multiple image types is counted as a localized tumor. Compared with expert-annotated tumor locations, the method showed promising performance. Using LoG edge detection, 9 of 11 true tumors were correctly localized, with an average of 2.67 false positives. Using the watershed transform, 8 of 11 tumors were correctly localized, with an average of 1.33 false positives. This automated mpMRI-based approach is a promising tool for managing prostate cancer and could help target biopsies. In the longer term, after further refinements and research, automated tumor localization with mpMRI may be used for screening and potentially replace the need for biopsy.
[This abstract was generated with the help of AI]
Documents