MRI evaluation of bone sarcoma in children

Abstract

El càncer d'ossos va ser la tercera causa de mort per càncer pediàtrica el 2016, sent osteosarcoma i sarcoma d'Ewing els dos sarcomes ossis pediàtrics més comuns. Les taxes de supervivència varien substancialment no només segons el tipus de càncer i la localització, sinó també per l'edat en el moment del diagnòstic, per la qual cosa el diagnòstic precoç és crucial per a un millor pronòstic. La ressonància magnètica nuclear (RMN) és la modalitat d'imatge per excel·lència per a l'avaluació de tumors ossis i teixits tous. No obstant això, reconèixer les característiques d'imatge dels tumors ossis malignes és una tasca molesta, en part a causa de les similituds entre els tumors benignes i malignes que poden conduir a un diagnòstic erroni. L'objectiu d'aquest projecte és fer una revisió literària dels algorismes de segmentació i classificació de tumors ossis proposats a la darrera dècada i implementar-ne un. L’algorisme proposat està basat en el llenguatge Python i presenta un enfocament d'aprenentatge profund per automatitzar la detecció de lesions de genoll en exàmens de ressonància magnètica amb l’objectiu d’ajudar els radiòlegs en el procés de diagnòstic, reduint els falsos positius per evitar sobre-tractament. Amb tot això, aquest projecte proposa construir, entrenar i validar un model que permeti la classificació global de les lesions de genoll basant-se en 3 models de xarxes neuronals computacionals (CNN) independents que s'especialitzen a detectar lesions des d'un pla específic. Aquest model no només aconsegueix un diagnòstic precís de les lesions òssies del genoll amb un AUC (àrea sota la corba) de 0,95, sinó que, amb l'ús de mapes d'activació de classes, també s'assoleix la interpretabilitat del model.

El cáncer de huesos fue la tercera causa de muerte por cáncer pediátrico en 2016, siendo osteosarcoma y sarcoma de Ewing los dos sarcomas óseos pediátricos más comunes. Las tasas de supervivencia varían sustancialmente no solo según el tipo de cáncer y la ubicación de éste, sino también según la edad en el momento del diagnóstico, por lo que el diagnóstico temprano es crucial para un mejor pronóstico. La resonancia magnética nuclear (RMN) es la modalidad de imagen por excelencia para la evaluación de tumores óseos y de tejidos blandos. Sin embargo, reconocer las características de imagen de los tumores óseos malignos es una tarea engorrosa, en parte debido a las similitudes entre los tumores benignos y malignos que pueden conducir a un diagnóstico erróneo. El objetivo de este proyecto es realizar una revisión literaria de los algoritmos de segmentación y clasificación de tumores óseos propuestos en la última década e implementar uno de estos algoritmos. El algoritmo propuesto está basado en el lenguaje Python y presenta un enfoque de aprendizaje profundo para la automatización de la detección de lesiones de rodilla en exámenes de resonancia magnética con el objetivo de ayudar a los médicos en el proceso de diagnóstico, reduciendo los falsos positivos para evitar sobretratamiento. Con todo esto, este proyecto propone construir, entrenar y validar un modelo que permita la clasificación global de las lesiones de rodilla en base a 3 modelos de redes neuronales computacionales (CNN) independientes especializados en detectar lesiones desde un plano específico. Este modelo no solo logra un diagnóstico preciso de las lesiones óseas de la rodilla con un AUC (área bajo la curva) de 0,95, sino que, con el uso de mapas de activación de clases, también se alcanza la interpretabilidad del modelo.

Bone cancer was the third leading cause of pediatric cancer death in 2016, with the most common pediatric bone sarcomas being osteosarcoma and Ewing’s sarcoma. The survival rates vary substantially not only by cancer type and location but also by age at diagnosis, which is why early diagnosis is crucial for a better prognosis. Magnetic Resonance Imaging (MRI) is the imaging modality of choice for the evaluation of bone and soft tissue tumors. However, recognizing the imaging features of malignant bone tumors is a cumbersome task, in part because of the similarities between benign and malignant tumor that can lead to a misdiagnosis. The aim of this project is to carry out a literary review of segmentation and classification algorithms of bone tumors proposed in the last decade and implement one of these. The proposed algorithm is based on Python language and presents a deep learning approach to automate the detection of knee injuries in MRI exams aiming to assist clinicians in the diagnosis process, lowering false positives to avoid over-treatment. With this all, this project proposes building, training, and validating a model that allows global classification of knee lesions based on 3 independent convolutional neural network (CNN) models that specialize in detecting lesions from a specific plane. Not only does this model achieve accurate diagnosis of knee bone lesions with an AUC (area under the curve) of 0.95 but, with the use of class activation maps, interpretability of the model is also reached.