Prostatakræft, der er kræft i blærehalskirtlen, er den hyppigste kræftform blandt mænd. I dag diagnosticeres prostatakræft på baggrund af mistanke for kræft fra resultater fra blodprøve og rektal eksploration. Før en endelig diagnose kan stilles, skal mistanken bekræftes ved fund af ondartede celler i vævsprøver. Disse tages fra områder i prostata via endetarmen, enten på vilkårlig vis eller med visuel vejledning fra transrektale ultralydsbilleder. Det er dog uhensigtsmæssigt, at nålen, som vævsprøverne tages med, nemt kan undlade at ramme en kræftknude, og ligeledes uhensigtsmæssigt, at kræftknuder kan være svære at identificere på ultralydsbilleder. Dette foranlediger et højt antal af falske negative diagnoser, hvilket betyder, at mange kræftsyge mænd forbliver udiagnosticerede. Et non-invasivt diagnosticeringsgrundlag med større detektionsrate og færre falske negative er derfor ønskeligt.

Magnetic resonance imaging (MRI) har vist lovende egenskaber i diskrimination af sygt prostatavæv fra raskt prostatavæv, og flere studier foreslår brug af multiparametrisk MRI data som basis for diskriminationen for at inkludere mest mulig viden om forskellige væv. Multiparametrisk MRI data består af både anatomiske og fysiologiske MR billeder, der hver især afbilleder og fremhæver forskellige egenskaber ved samme væv. Disse billeder fortolkes ofte kvalitativt ved manuel visuel identification af anormale egenskaber, eksempelvis forskelle i billedintensiteter eller strukturelle irregulariteter. Det kan dog være en stor arbejdsbyrde at skulle fortolke så store datasæt, og derfor er udvikling af kvantitative og reproducerbare metoder til analyse af multiparametrisk MRI data meget attraktiv.

Dette projekt opstiller en procedure for automatiseret lokalisering af prostatakræft på basis af multiparametrisk MRI data bestående af T2-vægtede, diffusions-vægtede og T1-vægtede dynamisk kontrast-forstærkede billeder.

Den opstillede procedure for automatiseret lokalisering af prostatakræft består af tre processeringstrin: Som det første segmenteres prostata i billederne. Dernæst klassificeres hver prostatavoxel til at være enten en kræftkandidat voxel eller en voxel, der repræsenterer normalt prostatavæv. Denne voxelklassificering baseres på den enkelte voxels fremtoning med hensyn til billedintensitet og tekstur i de multiparametriske MRI data. I det tredje processeringstrin inddeles alle kræftkandidat voxels i regioner ved hjælp af enten LoG kantdetektion eller watershed transformation, og hver region klassificeres efterfølgende til at være enten en kræftregion eller en region bestående af normalt prostatavæv. Et billedområde, som identificeres som kræftregion i flere forskellige MR billedtyper, betragtes som en lokaliseret kræftknude.

Gennem validering mod reference data fastslået ud fra ekspert påvisninger af sande kræftknudelokationer vurderes det at den indledende voxelklassifikation virker som tilsigtet. Antallet af mulige kræftvoxels indsnævres uden at sande kræftvoxels udelades. Valideringen viser ydermere, at den bedste kræftknudelokalisering opnås ved at bruge dels LoG kantdetektion til inddeling af kræftkandidat voxels fra voxelklassifikationen i regioner, og dels ved at basere den opstillede procedure på sammenstilling af resultater fra flere af de forskellige slags MR billeder til rådighed.

Den opstillede procedure for automatiseret lokalisering af prostatakræft baseret på multiparametrisk MRI er et lovende værktøj for hele processen for håndtering af prostatakræft. Den kan hjælpe til tidlig og præcis diagnosticering ved at målrette biopsiproceduren, på sigt kan den potentielt fungere som et screeningsværktøj, og endeligt kan den hjælpe i planlægning og opfølgning af strålebehandling.