Detecta cáncer de próstata con IA en Resonancia Magnética

1. Generación de cortes axiales

A partir del volumen tridimensional obtenido mediante resonancia magnética de la próstata, se generan cortes axiales 2D.

2. Estandarización de la orientación

Se desarrolló un algoritmo de detección automática de la orientación de la vejiga en las imágenes, que alcanzó un 100% de acierto en la clasificación de las cuatro orientaciones posibles. El algoritmo detecta la posición original de la vejiga y reorienta automáticamente la imagen para que quede a la izquierda.

3. Segmentación de la glándula prostática

Se delinea la glándula prostática mediante un modelo de aprendizaje profundo (DL) de segmentación, aplicado sobre la secuencia T2W (ponderada en T2). Para entrenarlo, se recopilaron 568 resonancias magnéticas de diversas bases de datos públicas, todas ellas con segmentación de la glándula realizada por expertos. El modelo alcanzó un Jaccard index del 89,9%.

4. Preparación de las imágenes para clasificación

A partir del recuadro (bounding box) derivado de la segmentación previa, se realizan los siguientes cambios en cada perspectiva:

Modelo T2W: se recorta la imagen usando las bounding box.

Modelo ADC y DWI: se aplica el mismo recorte y se combinan ambas secuencias en una única imagen de tres canales (formato RGB).

5. Clasificación

Se entrenan dos modelos de clasificación binaria basados en DL, encargados de distinguir entre imágenes sanas y aquellas con sospecha de cáncer. Se utilizó el conjunto de datos público del reto PI-CAI, compuesto por 1.476 estudios de resonancia magnética biparamétrica, a partir de los cuales se generaron 16.389 imágenes 2D (con una prevalencia de cáncer del 7,1%). El 70% de las imágenes se utilizó para entrenar ambos modelos de clasificación y el 30% restante para evaluarlos.