Prostate Cancer Diagnosis using Magnetic Resonance Imaging - a Machine Learning Approach
Carina Jensen · VBN Forskningsportal (Aalborg Universitet) · 2018
Prostate cancer (PCa) is the second most common cancer in men with one in every seven men developing the disease.The current diagnostic tools: PSA blood test, digital rectal examination (DRE), and transrectal ultrasound guided biopsies suffer from limitations of various degrees; elevated PSA level may indicate the presence of PCa, however, elevated PSA can also be caused by benign conditions.The DRE can only detect palpable lesions of certain size in the posterior aspect of the gland, but small lesions and those located in other parts of the prostate are missed.Due to the random nature of the biopsies, there is a risk of missing significant cancers, detecting insignificant cancers, and underestimate the aggressiveness of significant cancers.Multiparametric magnetic resonance imaging (mpMRI) is being increasingly used to improve the diagnosis of PCa by reducing detection of clinically insignificant cancers and finding more clinically significant cancers that require treatment.mpMRI has shown useful for different applications within PCa diagnosis, including detection, characterisation, staging, treatment planning, and detection of recurrence.The clinical analysis of mpMRI is however time-consuming, subjective, and requires high level of expertise that is not widely available.To overcome these limitations, research in development of automatic algorithms is conducted worldwide to aid the clinicians in their daily work.Automatic methods can simplify the reading task and reduce the reading time and variability.The aim of this PhD thesis was to investigate automatic algorithms for PCa diagnosis using mpMRI.The thesis comprises three studies.The first study focuses on automatic detection of PCa using imaging features extracted from MRI.In the second study, PCa lesions are classified into level of aggression based on MRI imaging features to help the clinician in the risk stratification of the patient.The third study investigates an automatic algorithm for zonal segmentation of the prostate gland from the anatomical T2W imaging sequence.This PhD thesis presents state-of-the-art arguing for the motivation and research objectives for the studies. V DANSK RESUMÉProstatakræft er den anden mest almindelige kræftform ved mænd, hvor en ud af syv mænd udvikler sygdommen.De nuværende diagnostiske metoder: PSA blodprøve, digital rektal-undersøgelse (DRE) og ultralydsvejledte biopsier har begrænsninger af forskellige grader: et forhøjet niveau af PSA i blodet kan indikere prostatakræft, men det forhøjede niveau kan også være forårsaget af benigne tilstande.Da DRE kun kan detektere palpable cancere af en vis størrelse i den bageste del af kirtlen, vil små cancere og dem beliggende i andre dele af kirtlen blive overset.Tilfældigheden, hvormed biopsierne udtages, giver risiko for at overse klinisk betydelige cancere, detektere ubetydelige cancere og underestimere aggressiviteten af de betydelige cancere.Multiparametrisk magnetisk resonance (mpMRI) billeder bliver i stigende grad anvendt til at forbedre diagnosen af prostatakræft ved at undgå at finde klinisk ubetydelige cancere og finde flere af de klinisk betydelige cancere, der kræver behandling.Inden for prostatakræftdiagnostik har mpMRI vist sig anvendelig til detektion, karakterisering, stageinddeling, planlægning af behandling og til at detektere tilbagefald af sygdommen.Analysen af mpMRI er imidlertid både tidskrævende, subjektiv og kræver høj grad af eksperterfaring, som ikke er udbredt.For at løse disse udfordringer bliver der i stigende grad udviklet automatiske algoritmer, som kan hjælpe klinikeren i sit daglige arbejde.Automatiske algoritmer kan simplificere opgaven, reducere den tid, det kræver at analysere skanningerne, og begrænse variabiliteten mellem forskellige klinikere.Formålet med denne ph.d.-afhandling var at undersøge automatiske algoritmer til brug ved diagnostik af prostatakræft ud fra mpMRI.Afhandlingen består af tre studier.Det første studie fokuserer på automatisk detektion af prostatakræft ud fra billedinformation fra MR-skanningerne.I andet studie bliver prostata cancere graderet automatisk ved hjælp af MRI billedinformation for en mere præcis risikovurdering af patienten.Det tredje studie undersøger en algoritme til automatisk zoneindtegning af prostata ud fra den anatomiske T2W MR-skanning.Denne ph.d.præsenterer state-of-the-art argumenter for motivationen og forskningsformålene bag de tre studier.