Segmentación del Cáncer de Próstata con Estimación Simultánea de Parámetros y Clase del Campo Aleatorio de Markov

El cáncer de próstata es una de las principales causas de muerte por cáncer entre hombres en los Estados Unidos. Actualmente, se ha demostrado que la resonancia magnética (RM) de alta resolución tiene una precisión superior a la ecografía transrectal (TRUS) cuando se utiliza para determinar la presencia de cáncer de próstata. Dado que la RM puede proporcionar imágenes tanto morfológicas como funcionales de un tejido de interés, algunos investigadores están explorando los usos de la RM multispectral para guiar biopsias de próstata y terapia de radiación. Sin embargo, el éxito en la localización del cáncer de próstata basado en los métodos de imagen actuales ha sido limitado debido a la superposición en el espacio de características de tejidos benignos y malignos utilizando cualquier método de RM y la variabilidad entre observadores. En este artículo, presentamos un nuevo método de segmentación no supervisado para la detección del cáncer de próstata, utilizando campos aleatorios de Markov difusos (fuzzy MRFs) para la segmentación de imágenes de próstata en RM multispectral. Típicamente, tanto los modelos de MRF duros como los difusos tienen dos grupos de parámetros que deben ser estimados: los parámetros de MRF y los parámetros de clase para cada píxel en la imagen. Hasta la fecha, estos dos parámetros se han tratado por separado y se han estimado de forma alternada. En este artículo, desarrollamos un nuevo método para estimar los parámetros que definen la distribución markoviana de los datos medidos, mientras se realiza la agrupación de datos simultáneamente. Realizamos simulaciones por computadora en imágenes de prueba sintéticas y conjuntos de datos de próstata en RM multispectral para demostrar la eficacia y eficiencia del método propuesto y también proporcionamos una comparación con algunos de los métodos comúnmente utilizados.