Show simple item record

dc.contributor.authorCaviedes Rojas, Mauriciospa
dc.contributor.authorAlvarez Jiménez, Charlemsspa
dc.contributor.authorRomero Castro, Eduardospa
dc.contributor.authorCruz Roa, Ángel Alfonsospa
dc.date.accessioned2021-06-16 00:00:00
dc.date.accessioned2022-06-13T17:42:48Z
dc.date.available2021-06-16 00:00:00
dc.date.available2022-06-13T17:42:48Z
dc.date.issued2021-06-16
dc.identifier.issn0121-3709
dc.identifier.urihttps://repositorio.unillanos.edu.co/handle/001/2775
dc.description.abstractEste trabajo presenta un análisis comparativo de cinco arquitecturas de redes neuronales convolucionales (CNN) usando imágenes de resonancia magnética multiparamétrica (mpMRI) para la clasificación de tejidos con presencia de lesiones de cáncer próstata. Como conjunto de datos de entrenamiento y validación se usó SPIE-AAPM-NCI Prostate MR Classification Challenge, el cual cuenta con 344 casos de imágenes de resonancia magnéticade las modalidades: T2W (T2 Ponderado), ADC (Coeficiente de Difusión Aparente) y Ktrans (imágenes preprocesadas de la modalidad DCE - Dinámico de Contraste Mejorado), a partir del cual se usaron tres subconjuntos de datos de una sola modalidad independiente (unimodal): T2W, ADC y Ktrans, y dos subconjuntos de datos combinando dos modalidades (bimodal): Ktrans-ADC y Ktrans-T2W, para su comparación y análisis. A partir de la escala deGleason (Gleason score - GS) y el grado ISUP (International Society of Urologic Pathologists), las cuales son usada para medir el grado de agresividad del cáncer de próstata, se establecieron dos niveles de agresividad: Bajo y Alto. La clase Bajo son aquellas lesiones con GS = 6, y la clase Alto, las lesiones con el valor del GS > 7. Los resultados experimentales muestran un rendimiento superior con las imágenes de la modalidad Ktrans en las 4 primeras arquitecturas obteniendo un valor máximo de AUC (area under ROC curve o área bajo la curva) de 0.71 ± 0.127. Sin embargo, la quinta arquitectura inspirada en la LetNet combinando dos modalidades de mpMRI, Ktrans-T2W, se obtiene un AUC de 0.72 ± 0.058, lo cual sugiere ligeramente que, aunque la modalidad Ktrans es la más relevante, su combinación con T2W podría mejorar la precisión diagnóstica.spa
dc.description.abstractThis work presents a comparative analysis of five convolutional neural network (CNN) architectures using multiparametric magnetic resonance imaging(mpMRI) for the classification of tissues with the presence of prostate cancer lesions. SPIE-AAPM-NCI Prostate MR Classification Challenge was used as atraining and validation data set, which consists of 344 cases with magnetic resonance images from the modalities: T2W (Weighted T2), ADC (Apparent Diffusion Coefficient), and Ktrans (preprocessed images from the DCE -Dynamic Enhanced Contrast- modality), from which three subsets of data from a single independent modality were used (unimodal): T2W, ADC and Ktrans, and two subsets of data combining two modalities (bimodal): Ktrans-ADC and Ktrans-T2W, for comparison and analysis. From the Gleason scale (Gleason score - GS) and the ISUP grade (International Society of Urologic Pathologists), which are used to measure the degree of aggressiveness of prostate cancer, two levels of aggressiveness were established: Low and High. The Low class is those lesions with GS = 6, and the High class, those lesions with the GS value > 7. The experimental results show a superior performance with Ktrans modality images in the first 4 architectures obtaining a maximum AUC value (area under ROC curve) of 0.71 ± 0.127. However, the fifth LetNet inspired architecture combining two mpMRI modalities, Ktrans-T2W, obtains an AUC of 0.72 ± 0.058, which slightly suggests that although the Ktrans modality is themost relevant, its combination with T2W could improve diagnostic accuracy.eng
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherUniversidad de los Llanosspa
dc.rightsOrinoquia - 2021spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0spa
dc.sourcehttps://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/683spa
dc.titleUn análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRIspa
dc.typeArtículo de revistaspa
dc.typeJournal Articleeng
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.localSección Artículosspa
dc.type.localSección Articleseng
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.identifier.doi10.22579/20112629.683
dc.rights.creativecommonsEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.identifier.eissn2011-2629
dc.identifier.urlhttps://doi.org/10.22579/20112629.683
dc.relation.bitstreamhttps://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/683/1220
dc.relation.citationeditionNúm. 1 , Año 2021 : Suplementospa
dc.relation.citationendpage55
dc.relation.citationissue1spa
dc.relation.citationstartpage39
dc.relation.citationvolume25spa
dc.relation.ispartofjournalOrinoquiaspa
dc.title.translatedA comparative analysis of Convolutional Neural Network architectures for classifying the degree of risk of prostate lesions from unimodal or bimodal mpMRI imageseng
dc.type.contentTextspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa


Files in this item

FilesSizeFormatView
Orinoquia-683.pdf2.657Mbapplication/pdfView/Open

This item appears in the following Collection(s)

Show simple item record

Orinoquia - 2021
Except where otherwise noted, this item's license is described as Orinoquia - 2021