Computer-Aided Diagnosis of Prostate Cancer Using Multiparametric MRI: Preprocessing, Segmentation and Quality Control

Sammendrag Dataassistert diagnostikk av prostatakreft ved bruk av Multiparametrisk MRI: Forbehandling, segmentering og kvalitetskontroll Prostatakreft er den vanligste kreftformen hos menn og den nest hyppigste årsaken til kreftrelaterte dødsfall hos menn på verdensbasis. På grunn av fremskritt innen teknologi og diagnostiske metoder har overlevelsesraten for prostatakreft de siste årene økt og dødeligheten har sunket. Tidlig diagnostikk av prostatakreft er viktig for bedre behandling av sykdommen. Den tradisjonelle diagnostiske prosessen inkluderer måling av forhøyet prostata spesifikt antigen (PSA) i blodet etterfulgt av prøvetaking av prostata biopsi og histopatologisk analyse. Multi-parametrisk magnetisk resonans avbildning (mpMRI) og etablering av internasjonale retningslinjer for bildeopptak og tolkning har bidratt til bedre nøyaktighet i diagnostikken, men tolkningen av MR-bildene er fortsatt i stor grad kvalitativ. Dette har noen begrensninger, for eksempel at tolkningen krever erfarne radiologer, variasjon mellom observatører og at det er tidkrevende arbeid. Med innføring av pakkeforløp for prostatakreft i Norge har antallet MR undersøkelser som gjennomføres for deteksjon av prostatakreft økt kraftig, og det er krevende å skalere opp de nødvendige radiolog-ressursene for å holde tidsrammene som er angitt i pakkeforløpet. Automatiske dataassisterte deteksjons- og diagnosesystemer (CAD) har potensial til å overvinne disse begrensningene ved å bruke MR-bildene i kvantitative modeller som automatiserer, standardiserer og støtter reproduserbar tolkning av radiologiske bilder. Den automatiserte CAD-arbeidsflyten består av flere trinn, for eksempel normalisering og segmentering, før bildene så kan benyttes til å etablere diagnostiske modeller basert på maskinlæring (ML) eller dyp læring (DL). For å sikre effektiv og pålitelig beslutningsstøtte, må alle trinn i arbeidsflyten være generaliserbare, transparente og robuste. CAD for diagnostikk av prostatakreft har ennå ikke blitt innlemmet i klinisk praksis. Målet med denne avhandlingen var derfor å legge til rette for dette ved å utvikle og evaluere nye metoder for bildebehandling, segmentering og kvalitetskontroll for å forbedre generaliserbarheten, gjennomsiktigheten og robustheten til arbeidsflyten i CAD. Denne avhandlingen er basert på tre artikler. I Artikkel I ble en ny automatisert metode for normalisering av T2-vektede (T2W) MR-bilder av prostata utviklet og evaluert ved bruk av to referansevev (fett og muskler). Metoden reduserer intensitetsforskjeller mellom ulike MR-bilder og forbedrer med dette den kvantitative vurderingen av prostatakreft. Artikkel II og III fokuserer på segmenteringsmetoder basert på DL. I Artikkel II ble et helautomatisk kvalitetskontrollsystem for DL-basert prostatasegmentering fra T2-vektete MR-bilder etablert og evaluert. Kvalitetskontrollen identifiserer når segmenteringen blir unøyaktig, og hindrer dermed at senere trinn i CADsystemet baseres på feilaktig informasjon. I Artikkel III blir reproduserbarheten av DLbasert segmentering av hele prostatakjertelen og prostatasoner vurdert. Dette er spesielt viktig for applikasjoner hvor pasienten følges opp med flere MR-undersøkelser over tid (aktiv overvåkning). Forskningsresultatene viser at reproduserbarheten til den beste DLbaserte prostata-segmenteringsmetoden er sammenlignbar med manuell segmentering. Kort oppsummert viser avhandlingen hvordan avanserte, generaliserte og kontrollerte metoder for bildeforbehandling og kvalitetskontroll kan bidra til å forbedre ytelsen og tilliten til CAD-basert beslutningstøtte for diagnostikk av prostatakreft, noe som er et viktig skritt mot klinisk implementering