Hofer, D. (2017). In-vivo prostate cancer predictions in multi-parametric MRI using oversegmentation [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2017.39721
Obwohl Dank einer früheren Erkennung und einer besseren Behandlung die Mortalitätsrate gesenkt werden konnte, bleibt der Prostatakrebs die häufigste Krebsart bei Männern in den Industrieländern. Die multiparametrische Magnetresonanztomographie wird zunehmend im klinischen Bereich zur Erkennung von Prostatakrebs eingesetzt. In den letzten 15 Jahren kam die rechnerunterstützte automatische Prostatakrebserkennung in den Fokus der medizinischen Bildverarbeitung um Radiologen bei ihrer Entscheidungsfindung zu helfen. Diese Frameworks detektieren normalerweise die Position des Tumors anhand von berechneten Merkmalen oder geben eine Diagnose über eine Region in der Prostata. Diese Merkmale beruhen entweder auf pixel-basierten Berechnungen oder benötigen manuell annotierte Bereiche, auf deren Basis statistische Berechnungen durchgeführt werden. In dieser Arbeit wird ein Framework vorgestellt, das diese Bereiche mit Hilfe eines multi-modalen Superpixel-Algorithmus automatisch generiert und die Prostata in verschiedene Bereiche unterteilt. Diese Bereiche werden für die Berechnung von aussagekräftigeren, statistischen Merkmalen verwendet. Die Resultate des Frameworks werden anhand von zwei Datensätzen berechnet. Der erste Datensatz besteht aus multiparametrischen MRT-Scans von 20 Patienten, während der zweite Datensatz aus Scans von 25 Patienten besteht. Bei beiden Datensätzen wurden die Prostata, deren anatomische Zonen und der Prostatakrebs annotiert. Die Genauigkeit der Klassifizierung wurde mit der Receiver Operating Characteristic Kurve berechnet. Die durchschnittliche Area Under the Curve beim ersten Datensatz beträgt 0.87 mit einer Standardabweichung von 0.08. Beim zweiten Datensatz wurde ein Wert von 0.59 mit einer Standardabweichung von 0.11 gemessen. Das Framework zeigt bessere Resultate als vergleichbare Systeme und beweist dass Superpixel die Genauigkeit von rechnerunterstützten Systemen für die Erkennung von Prostatakrebs erhöhen können (von 0.85 zu 0.87 beim ersten und von 0.55 zu 0.59 beim zweiten Datensatz).
de
Despite its steady reduction in mortality due to early detection and improved treatment, prostate cancer remains the most common cancer form in men in the developed countries. Multi-parametric magnetic resonance imaging is gaining clinical relevance and is increasingly used to diagnose prostate cancer. In the last 15 years, computer-aided detection systems that aid the radiologists in their clinical decision making have come into focus of medical image analysis. These frameworks normally detect cancer by computing pixel-based features or compute region-based features and give a diagnosis about a region of interest that was manually annotated. In this thesis, we propose a computer-aided detection system that automatically segments the prostate into specific regions of interest without the need for manual annotation. By incorporating a multi-modal, superpixelbased oversegmentation of the prostate into our framework, more accurate region-based features can be calculated. The system is evaluated on two datasets. The first dataset consists of multi-modal MRI scans of 20 patients of which 18 have biopsy-proven prostate cancer. The second dataset has multi-modal MRI scans of 25 patients. In both datasets, the prostate boundary, prostate zones and cancer lesions were annotated by experienced radiologists. Performance evaluation is based on receiver operating characteristic curve. The average area under the curve is 0.84 with a standard deviation of 0.08 for the first dataset. The second dataset shows an average area under the curve of 0.71 with a standard deviation of 0.11. The framework shows a better performance than comparable computer-aided detection systems in literature and proves that superpixels can improve the classification result for detecting prostate cancer (from 0.85 to 0.87 for the first and from 0.55 to 0.59 for the second dataset).