ES2929051T3 - Sistema de detección de masas tumorales basado en imágenes de resonancia magnética - Google Patents

Abstract

Se describe un sistema para detectar masas tumorales en un tejido desconocido, que puede acoplarse a un sistema de resonancia magnética (2) para recibir una serie de exploraciones de tejidos desconocidos, comprendiendo cada exploración una pluralidad correspondiente de imágenes de resonancia magnética (F±) relacionadas con un grupo de vóxeles (45), estando asociado cada vóxel (51) con una porción correspondiente de tejido desconocido, siendo las imágenes de resonancia magnética de cada exploración indicativas de valores de al menos un parámetro inicial correspondiente. El sistema de detección determina para cada vóxel un valor de probabilidad correspondiente, indicativo de la probabilidad de que la porción correspondiente de tejido desconocido incluya una porción tumoral correspondiente. Además, el sistema de detección determina, para una pluralidad de grupos de vóxeles, un valor de agresividad de grupo correspondiente, indicativo de la agresividad de la masa tumoral formada por las porciones tumorales presentes en las porciones correspondientes de tejido desconocido. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistema de detección de masas tumorales basado en imágenes de resonancia magnética

Referencia cruzada con solicitudes relacionadas

La presente solicitud de patente reivindica prioridad sobre la solicitud de patente italiana n° 102018000005163 presentada el 08/05/2018.

Campo técnico

La presente invención se refiere a un sistema de detección de una masa tumoral basado en imágenes de resonancia magnética (IRM).

Antecedentes de la técnica

Tal como se conoce, el diagnóstico de masas tumorales, en particular en el caso de masas tumorales en la próstata, presenta diversos puntos críticos tales como, por ejemplo, una baja sensibilidad y especificidad de los métodos de cribado y diagnóstico. Estos puntos críticos afectan de forma negativa a la calidad de vida del paciente y causan un aumento de los costes para el sistema nacional de salud. Habitualmente, para identificar a los pacientes en los que se sospecha de la presencia de un tumor de próstata significativo, se realiza el llamado análisis del antígeno prostático específico o PSA (del inglés Prostatic Specific Antigen), el cual evalúa los niveles del PSA en sangre en el paciente sometido a examen. Si los valores del PSA son altos, el paciente se somete a una biopsia de próstata. Desafortunadamente, el análisis del PSA presenta una baja especificidad y una baja sensibilidad (~30%); esto significa que aproximadamente un 60% de los pacientes con valores de PSA elevados, pero que no presentan masas tumorales significativas, son sometidos a una biopsia de próstata innecesaria, sufriendo los efectos secundarios asociados con esta prueba. Por otro lado, pacientes con tumores potencialmente serios no son sometidos a una biopsia de próstata debido a bajos niveles de PSA detectados. Además, la biopsia de próstata, realizada mediante un muestreo de biopsia aleatorio, no siempre puede proporcionar una representación completa de las masas tumorales. Es conocido, de hecho, que la concordancia entre la agresividad del tumor en el momento de la biopsia de próstata y posteriormente a la biopsia varía entre un 28% y un 69%. En otras palabras, esto significa que tumores muy agresivos pueden ser evaluados como no agresivos y, consecuentemente, pueden ser tratados de forma insuficiente; de igual manera, pacientes con tumores no agresivos pueden ser sometidos a tratamientos radicales (es decir, pueden recibir un tratamiento excesivo) cuando, por el contrario, podrían beneficiarse de tratamientos menos invasivos con menos efectos secundarios.

Recientemente, el uso de sistemas de IRM ha adquirido cada vez más importancia en la gestión de pacientes con tumores de próstata, ya que estos sistemas presentan una alta sensibilidad y una alta especificidad a la hora de identificar tumores de próstata clínicamente significativos. Sin embargo, la difusión de sistemas de IRM para el análisis de tumores de próstata se encuentra limitada por factores tales como, por ejemplo, la complejidad del examen, la considerable duración del proceso de creación de informes y su dependencia de las capacidades del operario (más específicamente, el radiólogo). De hecho, es necesario analizar un gran volumen de imágenes para producir un informe preciso sobre la presencia y naturaleza de las posibles masas tumorales.

Además, los actuales sistemas de IRM extraen una cierta cantidad de parámetros, comenzando a partir de imágenes de IRM adquiridas previamente, y posteriormente determinan la presencia o ausencia de masas tumorales en base a dichos parámetros. El solicitante ha observado que, aunque los sistemas de IRM representan un indiscutible paso al frente con respecto a técnicas de diagnóstico previas, la precisión diagnóstica provista por éstos está aún sujeta a mejoras.

Divulgación de la invención

El objeto de la presente invención es por lo tanto proporcionar un sistema de detección basado en imágenes de IRM que permita la mejora en la precisión del diagnóstico de masas tumorales.

De acuerdo con la presente invención, se proporciona un sistema de detección para detectar masas tumorales, según se define en las reivindicaciones adjuntas.

Breve descripción de los dibujos

Para una mejor comprensión de la presente invención, se describe a continuación una realización preferida, simplemente a modo de ejemplo no limitativo, en referencia a los dibujos anexos, en los cuales:

- la figura 1 muestra un diagrama de bloques del presente sistema de detección;

- las figuras 2, 6, 15 y 21 muestran diagramas de flujo en relación a las operaciones realizadas mediante el presente sistema de detección;

- la figura 3 muestra una vista esquemática en perspectiva de una próstata, durante una etapa operativa realizada mediante el presente sistema de detección;

- la figura 4 muestra una vista en perspectiva de una matriz de vóxeles tridimensional;

- la figura 5 muestra un detalle de la matriz que se muestra en la figura 4, con partes transparentes;

- las figuras 7 y 11 muestran matrices de valores de parámetros adquiridas mediante el presente sistema de detección;

- la figura 8 muestra matrices de los valores de parámetros adquiridos, utilizadas durante una etapa de determinación de la tendencia de la curva realizada por el presente sistema de detección;

- la figura 9 muestra un ejemplo de tendencia de la curva calculada mediante el presente sistema de detección, en un diagrama cartesiano;

- las figuras 10, 18 y 24 muestran ejemplos de matrices de correlación determinadas mediante el presente sistema de detección;

- la figura 12 muestra esquemáticamente una sección de un mapa de probabilidades determinado mediante el presente sistema de detección;

- la figura 13 muestra esquemáticamente una vista en perspectiva de dos secciones de un mapa de probabilidades determinado mediante el presente sistema de detección;

- las figuras 14 y 20 muestran esquemáticamente unas vistas en perspectiva de regiones de vóxeles tridimensionales;

- las figuras 16 y 19 muestran matrices de valores de parámetros regionales determinados mediante el presente sistema de detección;

- la figura 17 muestra matrices de valores de parámetros regionales utilizados durante una etapa adicional de determinación de la tendencia de la curva realizada mediante el presente sistema de detección;

- las figuras 22 y 25 muestran matrices de valores de parámetros de celdas determinados mediante el presente sistema de detección;

- la figura 23 muestra matrices de valores de parámetros celdas utilizados durante una etapa adicional de determinación de la tendencia de la curva realizada mediante el presente sistema de detección; y

- la figura 26 muestra un diagrama de flujo en relación con operaciones adicionales realizadas mediante el presente sistema de detección.

Mejor modo para realizar la invención

La Figura 1 muestra un sistema 1, que comprende un aparato 2 de IRM, de un tipo conocido, y un sistema 4 de procesamiento que están eléctricamente acoplados entre sí.

Tal como se explica más adelante, el sistema 1 es un sistema de procesamiento de imágenes y una ayuda diagnóstica del tipo que es asistido por ordenador, por lo tanto se hace referencia al mismo más adelante como sistema 1 CAD.

A continuación, el sistema 1 CAD se describe en referencia al artículo “A fully automatic computer aided diagnosis system for peripheral zone prostate cancer detection using multi-parametric magnetic resonance imaging" (Giannini V., Mazzetti S., Regge D. et al., Computerized Medical Imaging and Graphics 2015; 46:219-226), que recalca las diferencias del presente sistema 1 CAD.

Además, en una primera etapa, el sistema 1 CAD opera sobre una población seleccionada de pacientes de muestreo (por ejemplo, incluyendo pacientes de muestreo Q), que han sido sometidos previamente a una prostatectomía radical; de esta manera, es posible saber a priori el resultado de biopsia en relación a la presencia de un tumor de próstata, para permitir un tipo de calibración preliminar del sistema 1 cAd .

En detalle, tal como se muestra en la figura 2, para cada paciente de muestreo, el aparato 2 de IRM adquiere (bloque 10) una pluralidad de imágenes de tipo ⁱR^m , utilizando diferentes técnicas de adquisición de imágenes. En particular, el aparato 2 de IRM utiliza técnicas de adquisición de IRM para realizar escaneos en base a los siguientes tipos de imágenes:

• Imágenes ponderadas en T2 (abreviado como "T2w"), que son indicativas de un primer tiempo T2 de relajación de los tejidos analizados mediante excitación de radio frecuencia (RF);

• imágenes de difusión ponderada (DWI), que son indicativas del movimiento browniano de las moléculas de agua en diferentes partes del tejido analizado, y a partir de las cuales se obtienen imágenes de mapas de un coeficiente de difusión aparente (ADC) mediante relaciones logarítmicas conocidas; e

• imágenes que representan secuencias dinámicas con inyección de un medio de contraste (Resonancia Magnética mejorada por contraste dinámico, DCE-MR), indicativas de un segundo tiempo T1 de relajación inducido por el bolo de líquido de contraste a base de, por ejemplo, gadolinio.

Para adquirir las imágenes mencionadas anteriormente, el aparato 2 de IRM incluye instrumentos conocidos tales como, por ejemplo, un escáner que utiliza una primera bobina, que presenta cuatro o más canales en fase (conjunto en fase de cuatro canales), en combinación con una segunda bobina, de tipo endorrectal y dispuesta en el área cercana a la próstata.

A este respecto, la figura 3 muestra, de manera simplificada, cómo se realiza cualquiera de los escaneos mencionados anteriormente. En particular, la figura 3 muestra esquemáticamente la próstata 15 de un paciente de muestreo cualquiera, que tiene una base 15A y un ápice 15B, atravesados por un eje S sagital, que conecta idealmente la base 15A con el ápice 15B; además, el eje S sagital es paralelo a un primer eje Z de un sistema XYZ cartesiano de referencia, y es perpendicular a los planos paralelos a un plano XY del mismo sistema XYZ cartesiano de referencia.

Inicialmente, el aparato 2 de IRM escanea la próstata 15, para generar una pluralidad de cortes axiales (dos que se muestran en la figura 3), indicados en general por la notación Fi de referencia; en detalle, i es un índice que representa un número entero con un valor entre 1 y N, donde N es el número de cortes axiales Fi utilizados para realizar el escaneo en sección de la próstata 15. Además, cada corte axial Fi es paralelo al plano XY del sistema XYZ cartesiano de referencia y es, por lo tanto, perpendicular al eje S sagital de la próstata 15.

En la práctica, para cada corte axial Fi, el aparato 2 de IRM genera una imagen correspondiente; a su vez, cada imagen está formada por una pluralidad correspondiente de unidades de imagen mínimas, definidas como vóxeles. En particular, cada vóxel es representativo de una parte de un corte correspondiente de tejido prostático; a este respecto, los cortes mencionados anteriormente presentan un grosor, por ejemplo, de tres milímetros.

El sistema 4 de procesamiento recibe y almacena las imágenes generadas por el aparato 2 de IRM, si fuera necesario, después de almacenar las imágenes en una base de datos de dicho aparato 2 de IRM. Además, de acuerdo con la técnica de adquisición de IRM considerada, las imágenes del escaneo correspondiente son procesadas de forma diferente por parte del sistema 4 de procesamiento.

En particular la técnica de adquisición de imágenes T2w permite adquirir N imágenes morfológicas de la próstata 15 en relación al mismo instante de tiempo t**, para así permitir la observación de las variaciones del primer tiempo T2 de relajación entre los cortes axiales Fi.

De forma análoga, la técnica de adquisición de DWI permite adquirir N imágenes morfológicas de la próstata 15, en relación al mismo instante de tiempo t** De forma más precisa, la técnica de adquisición de DWI adquiere al menos dos grupos correspondientes de N imágenes cada uno, de manera que, en una primera aproximación, ambas son relativas al anteriormente mencionado instante de tiempo t**, y permiten la determinación, en base a dichos al menos dos grupos, de N imágenes en relación al coeficiente ADC mencionado anteriormente. A continuación, cuando se hace referencia a N imágenes de DWI, ha de entenderse que se hace referencia a las N imágenes en relación al parámetro ADC, a menos que especifique de otro modo.

Por otro lado, de acuerdo con la técnica de adquisición de imágenes por DCE-RM, es posible adquirir N imágenes de la próstata 15 para cada uno de los instantes de tiempo k, espaciados de igual manera uno del otro. En particular, la adquisición se realiza comenzando desde un instante de tiempo inicial fe' y termina en un instante de tiempo final t’^{k - i}; además, en cada instante de tiempo del intervalo de tiempo t^o'- t'^k-i se adquieren N imágenes funcionales de la próstata 15. Entre dos instantes de tiempo sucesivos cualquiera, transcurre un periodo de, por ejemplo, trece segundos.

En otras palabras, la técnica de adquisición de imágenes por DCE-RM permite la adquisición espacial y temporal de las imágenes, de manera que al final del proceso de adquisición, tenemos k ■ N imágenes de la próstata 15. Además, comenzando a partir de las imágenes adquiridas, es posible trazar, para cada vóxel, una curva de evolución del tiempo correspondiente, la cual se define como curva de captación de contraste; en detalle, la curva de captación de contraste se forma mediante correspondientes puntos k y es indicativa de la evolución de tiempo de la distribución del medio de contraste en la correspondiente parte del tejido de la próstata 15.

Posteriormente, la técnica de adquisición de imágenes por DCE-RM asocia cada vóxel con uno o más parámetros indicativos de la correspondiente curva de captación de contraste.

Por ejemplo, los parámetros indicativos de la curva de captación de contraste pueden ser semi-cuantitativos o cuantitativos. Los parámetros semi-cuantitativos se calculan comenzando a partir de los valores de la curva de captación de contraste y son, por ejemplo, la absorción máxima (captación máxima, MU), tiempo de pico (tiempo hasta el pico TTP), la tasa de “wash-in” (parámetro de entrada de contraste) y la tasa de “washout” (parámetro de lavado o caída en la curva del contraste). Los parámetros cuantitativos, por otro lado, se obtienen interpolando, para cada vóxel, la correspondiente curva de captación del contraste de acuerdo a dos categorías de modelos de interpolación; en el caso presentado, la interpolación se realiza, por ejemplo, de acuerdo con el modelo farmacocinético de Tofts y mediante determinados modelos matemáticos descritos más adelante.

En particular, el modelo farmacocinético de Tofts permite la determinación de parámetros microvasculares específicos del tumor, tales como la permeabilidad capilar, el flujo sanguíneo y el volumen sanguíneo; estos parámetros se calculan mediante la interpolación, de manera conocida, de cada curva de captación del contraste en relación a cada vóxel.

En lugar de éste, en lo que respecta a los modelos matemáticos mencionados anteriormente, es posible utilizar, sin ninguna pérdida de generalidad, la función de Weibull y las clases de funciones que se derivan de las clases de Universalidad de los Fenómenos (PUN, del inglés “Phenomenological Universalities”); de esta manera, es posible obtener parámetros adicionales a partir de las mismas imágenes, que no tienen una relación directa conocida con la fisiología de la masa tumoral.

En vista de lo anterior, para cada una de las tres técnicas de adquisición mencionadas anteriormente (T2w, DWI, imágenes por DCE-RM) se almacena una matriz 45 tridimensional de vóxeles correspondiente (un ejemplo de la cual se muestra en la figura 4), por ejemplo en el sistema 4 de procesamiento.

Además, considerando cualquier matriz 45, cada vóxel se asocia con uno o más parámetros (características) relativos a la parte correspondiente de tejido prostático, los cuales son almacenados por el sistema 4 de procesamiento. Por ejemplo, en el caso de imágenes adquiridas con la técnica de imágenes T2w, cada vóxel de la matriz 45 correspondiente se encuentra asociado con un valor de intensidad de la señal de IRM correspondiente. De manera análoga, en el caso de imágenes adquiridas con la técnica de DWI, cada vóxel de la matriz 45 correspondiente se encuentra asociado con un valor de intensidad de la señal de IRM correspondiente. Además, en el caso de la técnica de adquisición de imágenes por DCE-RM, cada vóxel se encuentra asociado con los valores de dicho uno o más parámetros semi-cuantitativos y cuantitativos mencionados anteriormente, obtenidos a partir de la correspondiente curva de captación del contraste.

Por razones de brevedad, se hace referencia más adelante a que el valor/valores de un vóxel indican, considerando una técnica de adquisición determinada, el valor/valores del correspondiente parámetro/parámetros asociados con dicho vóxel en cuestión.

En mayor detalle, considerando cualquiera de las tres técnicas de adquisición, por razones de simplicidad de la descripción, se asume que la matriz 45 correspondiente tiene una forma cúbica y está formada de vóxeles que también tienen forma cúbica. A este respecto, sin ninguna pérdida de generalidad, se asume que la matriz 45, y por lo tanto también la forma y la disposición de los vóxeles, no depende de la técnica de adquisición; de hecho, incluso si las tres técnicas de adquisición estuvieran implicadas, por ejemplo, vóxeles de diferentes dimensiones, sería posible lograr el escenario descrito mediante técnicas de procesamiento conocidas (por ejemplo, interpolación). Los vóxeles están indicados en general mediante la notación V(a, b, c), en la que "a", "b" y "c" son índices que representan la posición espacial de cada vóxel con respecto al sistema cartesiano XYZ de referencia. En mayor detalle, "a" es el índice que representa la posición espacial a lo largo de un segundo eje X del sistema cartesiano XYZ de referencia; “b” es el índice que representa la posición espacial a lo largo de un tercer eje Y del sistema cartesiano XYZ de referencia y “c” es el índice que representa la posición espacial a lo largo del primer eje Z. En otras palabras, el índice c indica el corte axial Fi al que pertenece el único vóxel V(a, b, c).

En la práctica, los vóxeles V(a, b, c=i=constante) definen la i-ésima imagen. Además, por razones de simplicidad, los vóxeles V(a, b, c) se representan de manera que los vóxeles de imágenes sucesivas se dispongan en contacto entre sí, aunque en la realidad los vóxeles de imágenes sucesivas hagan referencia a partes de la próstata no necesariamente adyacentes entre sí. En cualquier caso, a continuación, los vóxeles alineados verticalmente de pares de imágenes sucesivas se denominan adyacentes, incluso cuando las partes correspondientes de la próstata no sean adyacentes.

Nuevamente, sin ninguna pérdida de generalidad, se asume que el índice c es una variable de número entero entre 1 y N, y que cada uno de los índices a y b es una variable de número entero entre 1 y M (simplemente a modo de ejemplo, en la figura 4, M=N).

Nuevamente, en referencia a la figura 2, el sistema 4 de procesamiento realiza una operación de alineamiento (bloque 20) de las imágenes adquiridas, independientemente de la técnica de adquisición de IRM utilizada para obtener dichas imágenes. A continuación del alineamiento, las imágenes adquiridas por medio de las tres técnicas de adquisición mencionadas anteriormente hacen referencia a una misma parte de la próstata; en otras palabras, los vóxeles que tienen la misma posición en las tres matrices 45 adquiridas mediante las tres técnicas de adquisición de IRM mencionadas anteriormente hacen referencia a una sub-parte de la próstata. De forma equivalente, en referencia a un escaneo para indicar el grupo de las correspondientes N imágenes tomadas con una técnica de adquisición correspondiente, los escaneos realizados en base a las técnicas de adquisición de imágenes mencionadas anteriormente hacen referencia a los mismos vóxeles. Por esta razón, a continuación haremos referencia en general a un vóxel para indicar la correspondiente sub-parte de la próstata, a menos que se especifique de otro modo.

En vista de lo anterior, se deduce que cada vóxel está asociado con un grupo correspondiente de valores de parámetros, a los que se hace referencia más adelante como parámetros iniciales. Los valores de parámetros incluyen: al menos un valor igual al valor de dicho vóxel en la imagen adquirida con la técnica de adquisición T2w; al menos un valor igual al valor del parámetro ADC de dicho vóxel; y uno o más valores iguales a uno o más valores de los parámetros semi-cuantitativos y cuantitativos obtenidos a partir de la correspondiente curva de captación del contraste.

Posteriormente, el sistema 4 de procesamiento realiza (bloque 30) un paso de segmentación automática de la próstata 15. Esta segmentación automática permite descartar las áreas externas a la próstata 15 que pueden haber sido escaneadas previamente. A continuación, por razones de simplicidad, se asume que la segmentación no modifica las imágenes adquiridas previamente. De manera conocida per se, pueden realizarse operaciones adicionales que permiten la reducción de las dimensiones de las imágenes adquiridas; sin embargo, por razones de simplicidad, se asume que también dichas posibles operaciones adicionales no modifican las imágenes adquiridas. A continuación, el sistema 4 de procesamiento calcula (bloque 40), para cada vóxel, al menos un parámetro adicional, al que se hace referencia más adelante como el parámetro estructural (textura).

En detalle, en referencia a un vóxel V(a, b, c) genérico que se muestra en la figura 5 e indicado con el número de referencia 51, el parámetro estructural correspondiente se calcula tal como sigue a continuación.

En mayor detalle, el sistema 4 de procesamiento selecciona uno de los parámetros iniciales anteriormente mencionados. Posteriormente, el sistema 4 de procesamiento calcula el valor del parámetro estructural en relación con el vóxel 51, en base a:

- el valor del parámetro inicial seleccionado en relación con el vóxel 51; y

- los valores del parámetro inicial seleccionado en relación a uno o más de los vóxeles adyacentes al vóxel 51 (que se muestra de forma transparente en la figura 5).

Por ejemplo, indicando mediante AP(a,b,c) el valor del parámetro estructural del vóxel 51 e indicando mediante P(a,b,c) el valor del parámetro inicial seleccionado en relación con el vóxel 51, se aplica la siguiente relación:

AP(a, b, c ) = P (a , b, c ) f [ P ( a ± l , b ± m , c ± o ) ] _{1 )} donde f indica una dependencia genérica, mientras que 1, m y o son variables binarias, de tal manera que la cadena binaria “Imo” asume al menos un sub-grupo de los siete valores 001, 010, 011, 100, 101, 110 y 111. Son posibles, no obstante, variaciones en las que uno o más de entre 1, m, o pueden asumir valores superiores a uno y/o variaciones en las que uno o más de tres símbolos “±” indicados en la fórmula anterior se sustituye por el signo “+” o “-“. Son además posibles variaciones en las que cada uno o más de los parámetros estructurales depende de los valores del correspondiente parámetro inicial en relación a los vóxeles que, además de encontrarse cerca del vóxel 51, se extienden en un mismo plano; en este caso, se aplica la siguiente relación, por ejemplo, AP(a,b,c) = P(a, b,c) f[P(a ± l,b ± m,c)].

En la práctica, a diferencia de los parámetros iniciales, que son indicativos de cantidades puntuales (en el sentido en que dependen de cantidades físicas en relación a un único vóxel), cada dicho uno o más parámetros adicionales son indicativos de la distribución espacial del correspondiente parámetro inicial, en el entorno cercano del vóxel considerado. En general, la definición de dicho entorno cercano puede variar con respecto a lo que se describe; incluso más generalmente, la definición de entorno cercano puede variar entre los diferentes parámetros estructurales.

Posteriormente, el sistema 4 de procesamiento almacena (bloque 50), para cada vóxel, una pluralidad de valores correspondientes, ambos relativos a los parámetros iniciales y a dicho uno o más parámetros estructurales. Por lo tanto, cada vóxel V(a, b, c) está asociado con una pluralidad correspondiente de parámetros extraídos, entendiendo que éstos incluyen tanto los parámetros iniciales como los parámetros estructurales. Por ejemplo, en el caso descrito en el presente documento, la cantidad total de parámetros extraídos es igual a J.

En la práctica, a continuación de las operaciones en el bloque 50, para cada vóxel, se almacena un número igual a J de valores de parámetros correspondientes, los cuales hacen referencia a la próstata 15 de cualquier paciente de muestreo.

Posteriormente, el sistema 4 de procesamiento realiza un paso de selección (bloque 60) de un sub-grupo de J parámetros extraídos, a los cuales se hace referencia más adelante como parámetros significativos.

En detalle, la selección de los parámetros significativos se realiza tal como se muestra en la figura 6.

Considerando cada paciente de muestreo y el resultado de la correspondiente cirugía, un operario asocia con cada vóxel del paciente de muestreo una indicación binaria en relación a la presencia/ausencia de tumor en dicho vóxel, en base a las indicaciones patológicas proporcionadas por las muestras de próstata. Dicha asociación también se almacena en el sistema 4 de procesamiento.

En la práctica, el sistema 4 de procesamiento almacena (bloque 61, figura 6), para cada paciente de muestreo, una matriz 47 plana y un vector 48, que se muestran por ejemplo en la figura 7.

En detalle, la matriz 47 plana tiene N X M2 líneas que corresponden a los vóxeles. Además, la matriz 47 plana muestra, para cada vóxel, los correspondientes valores de los parámetros extraídos. Por otro lado, el vector 48 contiene, para cada vóxel, la correspondiente indicación binaria (indicada como Ps, mientras que los parámetros extraídos se indican mediante Pp, donde p es un índice de número entero que se encuentra en el rango de 1 a J. En el ejemplo de la figura 7, la matriz 47 plana y el vector 48 hacen referencia, por ejemplo, a un primer paciente de muestreo.

Posteriormente, el sistema 4 de procesamiento determina (bloque 62, figura 6), para cada uno de los parámetros extraídos, una correspondiente curva ROC (curva característica operativa del receptor), la cual indica la capacidad de cada parámetro para distinguir entre tejido maligno y tejido sano, y calcula el área bajo la misma (también definida como AUROC, área bajo la curva rOc ).

En particular, para obtener la curva ROC de cualquiera de los parámetros extraídos, el sistema 4 de procesamiento selecciona las columnas (en un número igual a Q) de las matrices 47 planas en relación a los pacientes de muestreo que corresponden al parámetro extraído considerado, obteniendo una macro-columna 300, (que se muestra en la figura 8 y hace referencia, por ejemplo y sin ninguna pérdida de generalidad, al primer parámetro extraído P1), determinado por la sucesión de las columnas seleccionadas. Además, dicha macro-columna 300 está asociada con un macro-vector 310 (que se muestra en la figura 8) determinado por la sucesión de vectores 48 en relación con los pacientes de muestreo.

Posteriormente, el sistema 4 de procesamiento dispone los valores de la macro-columna 300 en orden ascendente; esta operación conlleva un reordenamiento correspondiente de las indicaciones binarias del macro-vector 310, para mantener las asociaciones originales de vóxel-indicación binaria.

Posteriormente, el sistema 4 de procesamiento repite las siguientes operaciones, para cada uno de los valores del parámetro extraído considerado (a continuación indicado con W):

- establece un umbral (corte) igual a dicho valor W del parámetro extraído considerado; y

- calcula un parámetro de sensibilidad S(W) y un parámetro de especificidad Sp(W).

En particular, la sensibilidad se define en la ecuación (2) como:

en donde VP es el número de los verdaderos positivos y FN es el número de falsos negativos de los valores Q X N X M2 del parámetro extraído considerado, donde el verdadero positivo y los falsos negativos se determinan de la siguiente manera:

- los verdaderos positivos vienen determinados por los valores que se encuentran por encima del umbral y asociados con indicaciones binarias indicativas de la presencia de tumor; y

- los falsos negativos vienen determinados por los valores por debajo del umbral y asociados con indicaciones binarias indicativas de la presencia de tumor.

Por otro lado, la especificidad se define en la ecuación (3) como:

en donde VN es el número de verdaderos negativos y FP es el número de falsos positivos de los valores Q X N X M2 del parámetro extraído considerado, que se determinan de la siguiente manera:

- los verdaderos negativos se determinan mediante los valores por debajo del umbral y asociados con indicaciones binarias indicativas de la ausencia de tumor; y

- los falsos positivos se determinan mediante los valores por encima del umbral y asociados con indicaciones binarias indicativas de la ausencia de tumor.

Al final de las repeticiones, el sistema 4 de procesamiento es por lo tanto capaz de almacenar, para cada valor de umbral establecido previamente, un punto correspondiente de la curva ROC en referencia al correspondiente parámetro extraído considerado; en particular, tal como se muestra en la figura 9, dicho punto tiene un eje X igual a la diferencia entre uno y la especificidad 1-Sp(W), y un eje Y igual a la sensibilidad S(W). Posteriormente, el sistema 4 de procesamiento interpola los puntos y obtiene la correspondiente curva ROC; por ejemplo, tal como se ha mencionado previamente, la figura 9 muestra una curva ROC¹ que hace referencia al primer parámetro extraído P¹. Al final de las operaciones en el bloque 62 de la figura 6, el sistema 4 de procesamiento tiene tantas curvas ROC como columnas de cada matriz 47 plana; en particular, en el caso considerado, el sistema 4 de procesamiento genera J curvas ROC.

Posteriormente, aunque no se muestra, el sistema 4 de procesamiento calcula el área bajo cada curva ROC, asociando por lo tanto un valor numérico con cada parámetro Pp extraído.

El sistema 4 de procesamiento (bloque 63) determina, por tanto, una matriz de correlación, mediante el método de correlación lineal en pares. Un ejemplo de matriz de correlación se muestra en la figura 10 y se indica mediante el número 320 de referencia; en particular, esta matriz 320 de correlación se construye de manera que los parámetros extraídos se organizan, en las líneas y en las columnas, en orden descendiente (de arriba hacia abajo, y por lo tanto también de izquierda a derecha), en base al área bajo la respectiva curva ROC. A este respecto, cuanto mayor es el área bajo la curva ROC, mayor es la especificidad y la sensibilidad asociada con el correspondiente parámetro extraído para determinar la presencia/ausencia de una masa tumoral.

En detalle, para cada posible par de parámetros extraídos, se define un coeficiente de correlación correspondiente, en base al par de macro-columnas 300 correspondiente. En general, el coeficiente de correlación varía entre -1 (en el caso de parámetros inversamente correlacionados) y 1 (en el caso de parámetros directamente correlacionados), y es igual a cero en el caso de parámetros totalmente no correlacionados.

En particular, la matriz 320 de correlación es una matriz simétrica J X J, en la diagonal de la cual se muestra la correlación de cada parámetro con la misma (por lo tanto, igual a 1), y en las otras posiciones se muestran los coeficientes de correlación de los pares de parámetros extraídos. En la figura 10, cada parámetro de correlación se encuentra indicado por la referencia p^e,f, en la que e y f son índices que hacen referencia a los parámetros extraídos, cuyo cálculo de la correlación se desea.

Posteriormente, el sistema 4 de procesamiento selecciona (bloque 64, figura 6) los parámetros significativos, en base a la matriz 320 de correlación construida en el paso anterior, en el cual los parámetros se ordenan en valores decrecientes del área bajo la curva ROC.

En particular, el sistema 4 de procesamiento analiza en secuencia todos los coeficientes de correlación de la mitad sobre la diagonal o bajo la diagonal de la matriz 320 de correlación. Por ejemplo, asumiendo que se analiza la mitad sobre la diagonal de la matriz 320 de correlación, ésta se analiza por líneas, de arriba hacia abajo y de izquierda a derecha. Además, cuando un par de parámetros extraídos tiene un grado de correlación igual a o mayor de 80% (es decir, si p^e,f s 0,8, excluyendo los coeficientes de correlación dispuestos en la diagonal principal de la matriz 320 de correlación), el sistema 4 de procesamiento elige el parámetro del par cuya curva ROC delimita el área más grande, y descarta la otra; esto significa que, continuando en el análisis de los coeficientes de correlación, los coeficientes de correlación que implican el parámetro descartado no serán considerado. El análisis, por lo tanto, continúa sin considerar los parámetros que se descartan gradualmente, hasta el último coeficiente de correlación de la mitad sobre la diagonal. En la práctica, cuando un par de parámetros extraídos con un coeficiente de correlación igual a o mayor de 80% se encuentran, únicamente el parámetro más representativo de la presencia/ausencia de las masas tumorales de próstata se elige (se mantiene), por lo tanto el sistema 4 de procesamiento continúa considerándolo como un parámetro significativo, a diferencia del parámetro descartado.

A continuación se asume, por ejemplo, que las operaciones en el bloque 64 tienen como resultado la selección de un número S de parámetros significativos (con S < J); esta selección es almacenada por el sistema 4 de procesamiento.

Nuevamente, en referencia a la figura 2, el sistema 4 de procesamiento selecciona (bloque 65 de la figura 2), dentro de la matriz 47 plana que hace referencia a cada paciente de muestreo, únicamente las columnas en relación a los parámetros significativos, reduciendo de este modo el número de columnas de la matriz 47 plana en relación a cada paciente de muestreo. De esta manera, se obtiene una matriz 49 reducida, un ejemplo de la cual se muestra en la figura 11 (en la que los parámetros significativos se encuentran indicados por los mismos signos que los correspondientes parámetros extraídos, con la adición de un superíndice). En detalle, la matriz 49 reducida que se muestra en la figura 11 hace referencia, por ejemplo, al primer paciente de muestreo y tiene N X M2 líneas, que representan los vóxeles, y S columnas, que representan los parámetros significativos.

Nuevamente, en referencia a la figura 2, el sistema 4 de procesamiento determina (bloque 70) un primer clasificador, en base a los valores de los parámetros significativos P^p' contenidos en las matrices 49 reducidas de los pacientes de muestreo y las correspondientes indicaciones binarias, indicativas de la presencia de tumor.

En particular, el sistema 4 de procesamiento genera y almacena un clasificador de un tipo conocido (por ejemplo, un clasificador SVM, o máquina de vector de soporte, del inglés Support Vector Machine, tal como se describe por ejemplo en "Machine learning in medical imaging", IEEE Signal Process Magazine, Julio de 2010, 27(4): 25-38, di M.N. Wernick et al.), es decir, un modelo matemático adaptado para recibir como datos de entrada los valores de los parámetros P^p' significativos de cualquier vóxel de cualquier paciente, y generar como datos de salida un valor correspondiente indicativo de la probabilidad de que dicho vóxel representa un vóxel tumoral. El grupo de los valores de probabilidad forma un mapa correspondiente, que asocia, con cada vóxel V(a, b, c), una probabilidad correspondiente de representar un vóxel tumoral; se hace referencia a este mapa más adelante como mapa de tridimensional de probabilidad.

Nuevamente, en referencia a la figura 2, y nuevamente en referencia a cada paciente de muestreo, el sistema 4 de procesamiento realiza una selección (bloque 80) de los vóxeles del correspondiente mapa tridimensional de probabilidad que presenta valores de probabilidad mayores de o iguales a, por ejemplo, 60%.

En particular, en referencia a la matriz plana de vóxeles para indicar, dado cualquier corte axial Fi, los correspondientes vóxeles V(a, b, c=i), el sistema 4 de procesamiento almacena, para cada matriz plana de vóxeles, las áreas formadas por vóxeles que responden al criterio de selección descrito (valor de probabilidad mayor de o igual a, por ejemplo, 60%) y se encuentran además adyacentes entre sí; por lo tanto, las áreas mencionadas anteriormente representan vóxeles seleccionados correspondientes, o agregados de vóxeles seleccionados correspondientes. A continuación, se hará referencia a esta área como regiones bidimensionales de vóxeles.

Por ejemplo, la figura 12 hace referencia al primer paciente de muestreo, y muestra una sección 200 del mapa tridimensional de probabilidad correspondiente, en el que se encuentra presente una pluralidad de regiones bidimensionales de vóxeles R1_2d-R5_2d y una parte de mapa 202 restante. En la práctica, la parte de mapa 202 restante es la parte de la sección 200 complementaria a la pluralidad de regiones bidimensionales de vóxeles R¹_²dR5_2d; la parte de mapa 202 restante por lo tanto representa el grupo de vóxeles de la sección 200 que tiene una probabilidad de presentar una masa tumoral (por ejemplo) inferior al 60%.

Posteriormente, el sistema 4 de procesamiento determina (bloque 90) la dimensión de cada una de las regiones bidimensionales de vóxeles, que es igual al número de vóxeles que constituye cada una de las regiones bidimensionales de vóxeles mencionadas anteriormente.

Posteriormente, el sistema 4 de procesamiento compara (bloque 100) la dimensión de cada región bidimensional de vóxeles con un valor umbral predefinido, por ejemplo igual a 100mm². En particular, si las dimensiones de una región bidimensional de vóxeles son inferiores al valor umbral, el sistema 4 de procesamiento descarga dicha región (bloque 110). A continuación, se hace referencia a las regiones bidimensionales seleccionadas para indicar las regiones bidimensionales de vóxeles que tienen dimensiones mayores que el valor umbral.

Además, el sistema 4 de procesamiento realiza un paso de selección adicional (opcional), en el cual, en cada región bidimensional seleccionada, se retira cualquier vóxel “con ruido”.

En detalle, analizando cualquiera de las representaciones obtenidas mediante una de las tres técnicas de adquisición discutidas anteriormente, y considerando los parámetros iniciales que pueden obtenerse para cada vóxel de una representación determinada, un vóxel se define como “con ruido” si se considera representativo de un falso positivo. Por ejemplo, para imágenes adquiridas mediante la técnica de adquisición de imágenes por DCE-RM, el sistema 4 de procesamiento analiza la curva de captación del contraste en referencia a cada vóxel que forma la región bidimensional seleccionada bajo investigación. Se observa que un vóxel es indicativo de la presencia real de un tumor de próstata si, después de aproximadamente 60 segundos a partir de la inyección del medio de contraste (por ejemplo, en el instante de tiempo t⁴' o en el instante de tiempo ts', en el caso de una resolución temporal igual a 13 segundos), la curva de captación del contraste presenta un rápido ascenso; consecuentemente, es posible descartar los vóxeles que tienen menos curvas de captación de contraste marcadas sin el rápido ascenso descrito, ya que estos vóxeles no son efectivamente representativos de tejidos de próstata afectados por un tumor. A continuación, por razones de simplicidad, se asume que no se realiza el paso de eliminación de los vóxeles con ruido.

Posteriormente, el sistema 4 de procesamiento realiza un paso de determinación (bloque 120) de regiones tridimensionales de vóxeles.

En detalle, una región tridimensional de vóxeles se define cuando se conectan al menos dos regiones bidimensionales seleccionadas, que pertenecen a dos matrices planas de vóxeles adyacentes, o se solapan al menos parcialmente a lo largo del primer eje Z del sistema XYZ cartesiano de referencia.

Un ejemplo de evaluación de la conexión de regiones bidimensionales seleccionadas se muestra en la figura 13. En detalle, la figura 13 muestra una primera y una segunda matriz plana de vóxeles (indicadas con las referencias F^g, F^g+1 de los cortes axiales correspondientes, en las que g es índice entre 1 y N-1), donde cada una incluye su propia pluralidad de regiones bidimensionales seleccionadas. En particular, la primera matriz plana de vóxeles F^g comprende una primera y una segunda región bidimensional seleccionada R¹_²d, R²_²d; de forma análoga, la segunda matriz plana de vóxeles F^g+1 comprende una tercera, una cuarta, una quinta y una sexta región bidimensional seleccionada R¹_^2d' , R²_^2d' , R3_2^d' y R4_2^d'.

En detalle, la primera región bidimensional seleccionada R¹_^2d se encuentra alineada verticalmente con la tercera región bidimensional seleccionada R¹_²d'; de forma análoga, la segunda región bidimensional seleccionada R²_²d se encuentra alineada verticalmente con la cuarta región bidimensional seleccionada R²_²d'.

Por otro lado, la quinta y la sexta región bidimensional seleccionada R3_2d', R4_2d' se solapan con la parte 252 de mapa restante de la matriz plana de vóxeles F^g.

En otras palabras, la primera y la segunda región bidimensional R¹_^2d, R²_^2d se conectan respectivamente a la tercera y la cuarta región bidimensional seleccionada R¹_²d', R²_²d'. Además, en el ejemplo propuesto y por razones de simplicidad de representación, la primera y la segunda región bidimensional seleccionada de vóxeles R¹_^2d, R²_^2d tienen la misma forma que la tercera y la cuarta región bidimensional seleccionada de vóxeles R¹_^2d' , R²_^2d'.

Al final de las operaciones en el bloque 120, el sistema 4 de procesamiento almacena las regiones tridimensionales de vóxeles determinadas previamente. Un ejemplo de región tridimensional de vóxeles en referencia, por ejemplo, al primer paciente de muestreo, se muestra en la figura 14, donde se encuentra indicada con la referencia R3^d,1; a modo de ejemplo, la figura 14 muestra un vóxel 351 que pertenece a la región tridimensional de vóxeles R3d,1.

Nuevamente en referencia a la figura 2, el sistema 4 de procesamiento calcula, para cada región tridimensional de vóxeles, al menos un parámetro regional (bloque 130).

En detalle, el sistema 4 de procesamiento selecciona uno de los parámetros iniciales. Posteriormente, para cada región tridimensional de vóxeles, el sistema 4 de procesamiento calcula el valor correspondiente del parámetro regional en base a los valores del parámetro inicial seleccionado de los vóxeles que forman la región tridimensional de vóxeles. Por ejemplo, pueden proporcionarse parámetros regionales posibles mediante parámetros indicativos del contraste y/o la homogeneidad de las regiones tridimensional de vóxeles, calculados en base a los valores de los correspondientes parámetros iniciales. Por ejemplo, para cada región tridimensional de vóxeles, el sistema 4 de procesamiento puede calcular valores indicativos, respectivamente: de la homogeneidad de la intensidad de la señal de imágenes por RM adquiridas con la técnica de adquisición T2w; del contraste de la intensidad de la señal de imágenes por RM adquiridas con la técnica de adquisición Tw2; de la homogeneidad del parámetro ADC adquirido con la técnica de adquisición DWI; del contraste del parámetro ADC adquirido con la técnica de adquisición ^dWI; de la homogeneidad de la intensidad de la señal de imágenes por RM adquiridas con la técnica de adquisición DCE en cualquiera de los instantes mencionados anteriormente t^o'-t'^k-1; y del contraste de la intensidad de la señal de IRM adquirida con la técnica de adquisición DCE en cualquiera de los instantes mencionados anteriormente t^o'-t'^k-1. Pueden también calcularse otros valores tales como, por ejemplo, valores de entropía, tal como se describe en R. M. Haralick, K. Shanmugam, y I. Dinstein, "Textural Features of Image Classification", IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, n° 6, Nov. 1973, o valores de energía, nuevamente en base a las señales adquiridas con una o más de las técnicas de adquisición mencionadas anteriormente. Ejemplos adicionales de posibles parámetros regionales se encuentran representados por parámetros estadísticos (por ejemplo, la media, mediana y percentiles) de la intensidad de la señal de imágenes por RM adquiridas de acuerdo a una o más de las tres técnicas de adquisición.

Posteriormente, el sistema 4 de procesamiento almacena, para cada paciente de muestreo, los parámetros regionales determinados en el paso precedente (bloque 140). En detalle, para cada región tridimensional de vóxeles, se almacena un número igual a L de valores de parámetros regionales correspondientes.

Posteriormente, el sistema 4 de procesamiento realiza un paso de selección (bloque 150) de un subgrupo de L parámetros regionales, a los que se hace referencia a continuación como parámetros regionales significativos. En detalle, la selección de los parámetros regionales significativos se realiza tal como se describe a continuación. Un operador asocia con cada región tridimensional de vóxeles de cada paciente de muestreo una indicación binaria en relación al grado de agresividad del tumor en dicha región tridimensional de vóxeles.

Para tener dicha asociación, cada región tridimensional de vóxeles considerada se somete a una evaluación preliminar por parte de un patólogo.

En detalle, cada región tridimensional de vóxeles es asociada por el patólogo con dos referencias numéricas de acuerdo al sistema conocido de la escala de Gleason. En particular, a cada región tridimensional de vóxeles se le asigna:

- un primer índice de un número entero, variable de 1 a 5, en relación a la agresividad de la morfología dominante de la celda (es decir, la más común) en la región tridimensional de vóxeles considerada, indicada más adelante con la notación in_1;

- un segundo índice de un número entero, también variable de 1 a 5, en relación a la agresividad de la segunda morfología más común de la celda en la región tridimensional de vóxeles (en base a la condición de que tenga una extensión al menos igual a 5% de la región tridimensional de vóxeles, de otro modo el segundo índice se establece igual al primer índice), indicada más adelante con la notación in_2.

Para cada región tridimensional de vóxeles, se obtiene la escala Gleason ¡^3d , definida como una combinación de in_1 e in_2. Por ejemplo, para la región tridimensional de vóxeles R3d,1 la escala de Gleason ¡^3d puede ser igual a 4+3.

El operador asocia a continuación '0' con las regiones tridimensionales de vóxeles que tienen un valor de la escala de Gleason ¡^3d inferior a o igual a (por ejemplo) 3+3, y asocia '1' con las regiones tridimensionales de vóxeles que tienen un valor de la escala de Gleason ¡^3d mayor que 3+3.

Posteriormente, tal como se muestra en la figura 15, el sistema 4 de procesamiento almacena (bloque 151), para cada paciente de muestreo, una matriz 247 plana regional y un vector 248 regional, que se muestra por ejemplo en la figura 16, en relación al primer paciente de muestreo.

La matriz 247 plana regional tiene tantas líneas como números de regiones tridimensionales de vóxeles identificadas para el correspondiente paciente de muestreo; en el ejemplo que se muestra en la figura 16, el primer paciente de muestreo tiene V regiones tridimensionales de vóxeles.

La matriz 247 plana regional muestra, para cada región tridimensional de vóxeles, los correspondientes valores de los parámetros regionales; por lo tanto, la matriz 247 plana regional tiene dimensiones iguales a VXL. Por otro lado, el vector 248 regional contiene, para cada región tridimensional de vóxeles, la correspondiente indicación binaria en relación a la agresividad (indicada como P^{s t} , mientras que los parámetros se indican con P^rT , donde r es un índice de número entero en un rango de 1 a L).

Posteriormente, el sistema 4 de procesamiento determina (bloque 152) para cada uno de los parámetros regionales, una curva ROC^T regional y el área relativa, de la misma manera que se trató en referencia al bloque 62, con la excepción del hecho de que el cálculo se realiza en base a una macro-columna 400 regional (figura 17) determinada por las columnas (en un número igual a Q) de las matrices 247 regionales que corresponden al parámetro regional considerado, y en base a un macro-vector 410 regional determinado por la sucesión de vectores 248 regionales en relación a los pacientes de muestreo.

Posteriormente, el sistema 4 de procesamiento determina (bloque 153) una matriz de correlación regional (que se muestra en la figura 18, donde se indica con la referencia 420), realizando las mismas operaciones descritas en referencia al bloque 63, con la excepción del hecho de que estas operaciones se realizan en las macro-columnas 400 regionales.

Posteriormente, el sistema 4 de procesamiento selecciona (bloque 154) los parámetros regionales significativos, en base a la matriz 420 de correlación regional, realizando las mismas operaciones que las descritas para el bloque 64, sin prejuicio de la posibilidad de adoptar un valor de umbral diferente del utilizado en las operaciones en el bloque 64.

A continuación se asume, por ejemplo, que las operaciones descritas hasta ahora tienen como resultado elegir y almacenar un número H de parámetros regionales significativos (con H < L).

Nuevamente, en referencia a la figura 2, el sistema 4 de procesamiento selecciona (bloque 160), del interior de la matriz 247 plana regional de cada paciente de muestreo, únicamente las columnas en relación con los parámetros regionales significativos. De esta manera, se obtiene una matriz 249 regional reducida correspondiente, un ejemplo de la cual, en relación con el primer paciente de muestreo, se muestra en la figura 19, en la que los parámetros regionales significativos se indican mediante la adición de un superíndice.

Posteriormente, el sistema 4 de procesamiento determina (bloque 170 de la figura 2) un segundo clasificador (por ejemplo, del tipo teorema de Bayes, o árbol de decisiones, o SVM (tal como se describe por ejemplo en Kononenko, I., I. Bratko y M. Kukar, 1998. Application of Machine Learning to Medical Diagnosis. En: Machine Learning and Data Mining: Methods and Applications, R.S. Michalski, I. Bratko y M. Kubat (Eds.). J. Wiley, New York), en base a los valores de los parámetros regionales significativos P^rT ' contenidos en las matrices 249 regionales reducidas de los pacientes de muestreo de las correspondientes indicaciones binarias P^{s t} . En particular, el sistema 4 de procesamiento genera y almacena un modelo matemático adaptado para recibir, como datos de entrada, los valores de los parámetros regionales significativos P^rT ' de cualquier región tridimensional de vóxeles de cualquier paciente, y generar, como datos de salida, una correspondiente indicación del grado de agresividad de la masa tumoral presente en dicha región tridimensional de vóxeles.

Nuevamente, en referencia a la figura 2, el sistema 4 de procesamiento selecciona (bloque 171) las regiones tridimensionales de vóxeles asociadas con '1', a las cuales se hace referencia a continuación como regiones tridimensionales relevantes.

Posteriormente, para cada región tridimensional de vóxeles relevante de cada paciente de muestreo, el sistema 4 de procesamiento divide (bloque 172) la región tridimensional relevante en una pluralidad de celdas, tal como se muestra por ejemplo en la figura 20, donde las celdas (cuatro) se indican con la referencia 373 y la región tridimensional relevante se indica con la referencia R^3d*. En particular, las celdas 373 tienen por ejemplo la misma forma (predefinida), para formar una rejilla regular. Cada una de las celdas 373 está formada de un grupo correspondiente de vóxeles adyacentes (por ejemplo, en forma de paralelepípedos o cubos); además, las celdas 373 son también adyacentes entre sí, para cubrir, como un todo, la totalidad de la región tridimensional relevante. En la práctica, cada celda cubre una parte correspondiente de la región tridimensional relevante a la que pertenece.

Posteriormente, para cada celda 373, el sistema 4 de procesamiento calcula (bloque 173) un grupo correspondiente de valores de parámetros, a los que se hace referencia a continuación como parámetros de celdas. En particular, los parámetros de celdas pueden ser respectivamente iguales a los parámetros regionales mencionados anteriormente, aparte del hecho de que se calculan sobre el dominio de la celda, en lugar de sobre la totalidad de la región tridimensional de vóxeles. Los parámetros de celdas pueden formarse por lo tanto, por ejemplo, a partir de parámetros indicativos del contraste y/o de la homogeneidad y/o la entropía y/o la energía y/o de parámetros estadísticos de las celdas de vóxeles, calculados en base a los valores de parámetros iniciales correspondientes de los vóxeles que forman las celdas. A continuación, se asume que el número de parámetros de celdas es, por ejemplo, igual a D.

Posteriormente, el sistema 4 de procesamiento almacena (bloque 174), para cada paciente de muestreo, los parámetros de celdas determinados en el paso precedente.

Posteriormente, el sistema 4 de procesamiento realiza un nuevo paso de selección (bloque 175) de un sub-grupo de los parámetros de celdas, a los que se hará referencia a continuación como parámetros de celdas significativos. En detalle, los parámetros de celdas significativos se seleccionan tal como se describe a continuación.

Un operador asocia con cada celda de cada paciente de muestreo una indicación binaria en relación al grado de agresividad del tumor en dicha celda. Para tener esta asociación, cada celda se somete a una evaluación preliminar por parte de un patólogo, que asocia un valor '1' si considera la celda agresiva (por ejemplo, si tiene un valor de la escala de Gleason mayor de o igual a tres), o asocia un valor '0' si considera la celda no agresiva.

Posteriormente, tal como se muestra en la figura 21, el sistema 4 de procesamiento almacena (bloque 180), para cada paciente de muestreo, una matriz 347 plana de celdas y un vector 348 de celdas, que se muestra en la figura 22, en relación al primer paciente de muestreo.

La matriz 347 plana de celdas tienen tantas líneas como las celdas identificadas para el correspondiente paciente de muestreo; en el ejemplo que se muestra en la figura 22, el primer paciente de muestreo tiene a celdas en general, independientemente de cómo se reparten estas celdas entre las regiones tridimensionales relevantes del primer paciente de muestreo.

La matriz 347 plana de celdas muestra, para cada celda, los valores correspondientes de los parámetros de celdas; por lo tanto, la matriz 347 plana de celdas tiene dimensiones iguales a aX D. Por otro lado, el vector 348 de celdas contiene, para cada celda, la correspondiente indicación binaria en relación a la agresividad (indicada como P^st *, mientras que los parámetros de celdas se indican con la referencia P^rT*).

Posteriormente, el sistema 4 de procesamiento determina (bloque 181), para cada uno de los parámetros de celdas, una curva de celdas ROC^T* correspondiente y el área relativa, de la misma manera que se trató con referencia al bloque 62, sin prejuicio del hecho de que el cálculo se realiza en base a una macro-columna 450 de celdas (figura 23) determinada por las columnas de las matrices 347 planas de celdas que corresponden al parámetro de celda considerado, y en base a un macro-vector 460 de celdas determinado por la sucesión de los vectores 348 de celdas en relación a los pacientes de muestreo.

Posteriormente, el sistema 4 de procesamiento determina (bloque 182) una matriz de correlación de celdas (que se muestra en la figura 24, donde ésta se indica con la referencia 470), realizando las mismas operaciones que las descritas para el bloque 63, sin prejuicio del hecho de que estas operaciones se realizan sobre la macro-columnas 450 de celdas. Posteriormente, el sistema 4 de procesamiento selecciona (bloque 183) los parámetros de celdas significativos, en base a la matriz 470 de correlación de celdas, realizando las mismas operaciones que las descritas para el bloque 64, sin prejuicio de la posibilidad de adoptar un valor umbral diferente del utilizado en las operaciones en el bloque 64.

A continuación se asume, por ejemplo, que las operaciones descritas hasta ahora tienen como resultado elegir y almacenar un número A de parámetros significativos.

Nuevamente, en referencia a la figura 2, el sistema 4 de procesamiento selecciona (bloque 176), del interior de la matriz 347 plana de celdas de cada paciente de muestreo, únicamente las columnas en relación con los parámetros de celdas significativos. De esta manera, se obtiene una matriz 349 de celdas reducida correspondiente, un ejemplo de la cual, en relación con el primer paciente de muestreo, se muestra en la figura 25, en la que los parámetros de celdas significativos están indicados mediante la adición de un superíndice.

Posteriormente, el sistema 4 de procesamiento determina (bloque 177 de la figura 2) un tercer clasificador (por ejemplo, del tipo teorema de Bayes, o árbol de decisiones, o SVM) en base a los valores de los parámetros de celdas significativos P^{rT *} contenidos en las matrices 349 de celdas reducidas de los pacientes de muestreo y de las correspondientes indicaciones binarias Pst *. En particular, el sistema 4 de procesamiento genera y almacena un modelo matemático adaptado para recibir, como datos de entrada, los valores de los parámetros de celdas P^{rT *}' de cualquier celda de cualquier paciente, y generar en unos datos de salida una indicación correspondiente del grado de agresividad de la masa tumoral presente en esta celda.

A continuación de los pasos operativos que se muestran en la figura 2 y se aplican a los pacientes de prueba, el sistema 4 de procesamiento tiene almacenado el primer, el segundo y el tercer clasificador, además de la lista de los parámetros significativos, los parámetros regionales y los parámetros de celdas significativos. El sistema 1 CAD está por tanto preparado para ser utilizado en un paciente desconocido, o en un sujeto para el cual no hay información sobre la posible presencia de masas tumorales.

En particular, tal como se muestra en la figura 26, se realizan las operaciones en los bloques 10, 20 y 30, indicadas aquí con las referencias 510, 520 y 530 respectivamente. Posteriormente, el sistema 4 de procesamiento determina (bloque 540) los valores de los parámetros significativos (habiendo sido seleccionados estos últimos durante las operaciones en el bloque 60 de la figura 2) del paciente desconocido.

Posteriormente, el sistema 4 de procesamiento aplica el primer clasificador a los valores de los parámetros significativos del paciente desconocido, generando (bloque 545) el mapa de probabilidad tridimensional relativo al paciente desconocido.

El sistema 4 de procesamiento realiza a continuación las operaciones para los bloques 80, 90, 100, 110 y 120 (indicadas ahora en general con la referencia 550), para determinar las regiones tridimensionales de vóxeles del paciente desconocido.

Posteriormente, el sistema 4 de procesamiento determina (bloque 560) los valores de los parámetros regionales significativos (concretamente, los parámetros regionales seleccionados en el bloque 150 de la figura 2) relativos al paciente desconocido.

El sistema 4 de procesamiento aplica entonces el segundo clasificador a los valores de los parámetros regionales significativos del paciente desconocido, generando (bloque 570) un mapa de agresividad relativo al paciente desconocido, el cual asocia, con cada región tridimensional de vóxeles, una indicación correspondiente del grado de agresividad.

Posteriormente, el sistema 4 de procesamiento realiza las operaciones en los bloques 171-172 (indicadas ahora en general con la referencia 580), para determinar las celdas de las regiones tridimensionales relevantes del paciente desconocido. En particular, el sistema 4 de procesamiento considera relevante las regiones tridimensionales de vóxeles que tienen grados de agresividad mayores de, por ejemplo 3+3.

El sistema 4 de procesamiento determina a continuación (bloque 590) los valores de los parámetros de celdas significativos (concretamente, los parámetros de celdas regionales seleccionados en el bloque 175 de la figura 2) relativos al paciente desconocido.

El sistema 4 de procesamiento aplica a continuación el tercer clasificador a los valores de los parámetros de celdas significativas del paciente desconocido, generando (bloque 600) un mapa de agresividad de celdas relativo al paciente desconocido, que asocia, con cada celda de cada región tridimensional relevante del paciente desconocido, una indicación correspondiente del grado de agresividad.

Las ventajas ofrecidas por el presente sistema CAD surgen claramente a partir de la anterior descripción. En particular, el presente sistema CAD permite la identificación y caracterización de una masa tumoral de próstata sin la intervención directa de un experto. De hecho, es posible identificar una masa tumoral sin que el radiólogo tenga que definir manualmente la región de interés del paciente desconocido, tanto en el paso de identificación como en el paso de caracterización de la agresividad de la masa tumoral; esto permite la reducción del error humano en el proceso de emisión de informe.

Además, la selección de los parámetros significativos y los parámetros regionales significativos tiene como resultado el aumento de la eficiencia computacional.

Nuevamente, el presente sistema CAD es capaz de seleccionar, sin requerir la intervención de un experto, las regiones tridimensionales que tienen una alta probabilidad de incluir masas tumorales, y caracterizar su agresividad, en base a los valores correspondientes de los parámetros regionales significativos.

Además, los parámetros estructurales y los parámetros regionales pueden calcularse también sobre regiones de pequeñas dimensiones (por ejemplo, formadas únicamente por unos pocos vóxeles); en particular, en referencia a los parámetros regionales, esto permite que se proporcionen indicaciones muy precisas sobre la agresividad y heterogeneidad de un tumor, ayudando al radiólogo en la elección del tratamiento más adecuado para el paciente en cuestión. A este respecto, la división de las regiones relevantes tridimensionales en celdas permite que el nivel de precisión del análisis se vea aumentado adicionalmente.

Por último, queda claro que pueden realizarse modificaciones y variaciones al presente sistema sin apartarse del alcance de protección de la presente invención, tal como se define en las reivindicaciones adjuntas. Por ejemplo, dicho sistema CAD puede adaptarse para ser utilizado en regiones del cuero diferentes de la próstata, tales como, por ejemplo, los pechos, el recto y los pulmones.

Además, el sistema 4 de procesamiento puede configurarse para generar cantidades adicionales, con respecto a la descripción anterior. Por ejemplo, el sistema 4 de procesamiento puede generar, para cada región tridimensional de vóxeles del paciente desconocido, una escala PIRADS (del inglés Prostate Imaging Reporting and Data System) correspondiente.

Por último, las operaciones realizadas mediante el presente sistema 4 de procesamiento pueden diferir de lo que se describe. Por ejemplo, las regiones tridimensionales pueden ser determinadas de forma diferente de lo que se describe; por ejemplo el sistema 4 de procesamiento puede buscar el máximo absoluto y/o uno o más máximos relativos de cada mapa de probabilidad tridimensional y seleccionar la cercanía relativa, independientemente del hecho de que estos máximos muestran valores de probabilidad mayores de un umbral. En este caso, es posible, por ejemplo, para que se forme cada región tridimensional de los vóxeles que están a una menor distancia predefinida de un vóxel correspondiente que muestra un máximo absoluto o relativo de probabilidad.

Es además posible que el paso de determinación de las regiones tridimensionales incluya un paso adicional con respecto a lo que se describe, en el que se descarta una región tridimensional si no cumple con un criterio adicional, por ejemplo relativo a la forma (por ejemplo, concavidad/convexidad).

Claims (14)

REIVINDICACIONES

1. Sistema para detectar masas tumorales en un tejido desconocido, que puede acoplarse a un sistema (2) de IRM para recibir un número de escaneos de tejido desconocido, comprendiendo cada escaneo una correspondiente pluralidad de imágenes IRM (Fi) en relación a un conjunto de vóxeles (45), cada vóxel estando asociado con una parte correspondiente del tejido desconocido, las imágenes de IRM de cada escaneo siendo indicativas de valores de al menos un parámetro inicial correspondiente, donde dicho sistema de detección comprende:

- primeros medios (4) de procesamiento configurados para determinar, para cada vóxel, un número de correspondientes valores de unos primeros parámetros (P^p') principales, en base a las imágenes de IRM; - primeros medios (4) de clasificación configurados para determinar, para cada vóxel, un valor de probabilidad correspondiente, en base a los valores correspondientes de los primeros parámetros principales, donde dicho valor de probabilidad es indicativo de la probabilidad de que la parte correspondiente de tejido desconocido incluye una parte tumoral correspondiente;

- segundos medios (4) de procesamiento configurados para seleccionar grupos de vóxeles (R3d,1) en base a:

- los valores de probabilidad de los vóxeles, un umbral de probabilidad y un criterio geométrico, de manera que cada grupo de vóxeles está formado por vóxeles adyacentes, cuyos valores de probabilidad satisfacen individualmente una relación predeterminada con el umbral de probabilidad, donde cada grupo de vóxeles también satisface dicho criterio geométrico; o

- los valores de probabilidad de los vóxeles y un criterio de proximidad, de manera que cada grupo de vóxeles está formado por vóxeles adyacentes a un máximo de probabilidad relativo o absoluto correspondiente, y satisface dicho criterio de proximidad;

- terceros medios (4) de procesamiento configurados para determinar, para cada grupo de vóxeles, una pluralidad de valores correspondientes de segundos parámetros principales (P^rT ), donde cada uno de dichos valores de segundos parámetros principales son una función de los valores de un correspondiente parámetro inicial de los vóxeles del grupo; y

- segundos medios (4) de clasificación configurados para determinar, para cada grupo de vóxeles, un correspondiente valor de agresividad del grupo, en base a los valores correspondientes de los segundos parámetros principales, donde dicho valor de agresividad del grupo es indicativo de la agresividad de la masa tumoral formada por las partes tumorales presentes en las correspondientes partes de tejido desconocido.

2. Sistema de detección según la reivindicación 1, que además comprende:

- cuartos medios (4) de procesamiento configurados para seleccionar los grupos de vóxeles (R3^d,ⁱ ) que tienen valores de agresividad del grupo mayores que un umbral de agresividad del grupo;

- quintos medios (4) de procesamiento configurados para determinar, para cada grupo de vóxeles (R3^d,*) seleccionado, una pluralidad de celdas (373) correspondientes que forman el grupo de vóxeles seleccionado;

- sextos medios (4) de procesamiento configurados para determinar, para cada celda, una pluralidad de valores correspondientes de terceros parámetros principales (P^{rT *}), donde cada uno de dichos valores de terceros parámetros funcionales es una función de los valores de un correspondiente parámetro inicial de los vóxeles de la celda; y

- terceros medios (4) de clasificación configurados para determinar, para cada celda, un correspondiente valor de agresividad de la celda, en base a los valores correspondientes de terceros parámetros principales, donde dicho valor de agresividad de la celda es indicativo de la agresividad de la masa tumoral formada por las partes tumorales presentes en las correspondientes partes de tejido desconocido.

3. Sistema de detección según la reivindicación 2, en donde al menos uno de dichos segundos parámetros principales (P^rT ) es indicativo de la homogeneidad, o el contraste, o la entropía, o la energía, o cantidades estadísticas de los valores del correspondiente parámetro inicial, dentro de cada grupo de vóxeles (R3^d,ⁱ ); y en donde al menos uno de dichos terceros parámetros principales (P^rT *) es indicativo de la homogeneidad, o el contraste, o la entropía, o la energía, o cantidades estadísticas de los valores del correspondiente parámetro inicial, dentro de cada celda (373).

4. Sistema de detección según cualquiera de las reivindicaciones anteriores, que además comprende séptimos medios (4) de procesamiento configurados para determinar, para cada vóxel (51), un valor correspondiente de al menos un parámetro estructural, que es una función de los valores de un parámetro inicial correspondiente de vóxeles, cuyas disposiciones, con respecto a dicho vóxel, satisfacen una condición geométrica predeterminada; y en donde cada primer parámetro principal (Pp') es alternativamente igual a uno de dichos parámetros iniciales, o a uno de dichos parámetros estructurales.

5. Sistema de detección según cualquiera de las reivindicaciones precedentes, en donde el primer, el segundo y el tercer medio (4) de clasificación están configurados para aplicar correspondientes clasificadores seleccionados de entre: clasificadores de máquina de vector de soporte, clasificadores de Bayes, y clasificadores de árbol de decisiones.

6. Sistema de detección según cualquiera de las reivindicaciones precedentes, en donde dichos escaneos están basados en al menos un primer tipo de toma de imágenes que incluye: Imágenes ponderadas en T2, imágenes de difusión ponderada e imágenes de resonancia magnética mejorada por contraste dinámico.

7. Un método para detectar masas tumorales en un tejido desconocido, que comprende los pasos de:

- recibir (510) una pluralidad de imágenes de IRM (Fi) en relación a un número de escaneos de tejido desconocido, donde dichas imágenes de IRM hacen referencia a un conjunto de vóxeles (45), donde cada vóxel (51) está asociado con una parte correspondiente de tejido desconocido, donde las imágenes de IRM de cada escaneo son además indicativas de valores de al menos un parámetro inicial correspondiente; - determinar (540), para cada vóxel, un número de valores correspondientes de primeros parámetros principales (Pp'), en base a las imágenes de IRM;

- determinar (545), para cada vóxel, un valor de probabilidad correspondiente, en base a los valores correspondientes de los primeros parámetros principales, donde dicho valor de probabilidad es indicativo de la probabilidad de que la parte correspondiente de tejido desconocido incluye una parte tumoral correspondiente;

- seleccionar (550) grupos de vóxeles (R3d,1) en base a:

- los valores de probabilidad de los vóxeles, un umbral de probabilidad y un criterio geométrico, de manera que cada grupo de vóxeles está formado por vóxeles adyacentes, cuyos valores de probabilidad satisfacen individualmente una relación predeterminada con el umbral de probabilidad, donde cada grupo de vóxeles satisface dicho criterio geométrico; o

- los valores de probabilidad de los vóxeles y un criterio de proximidad, de manera que cada grupo de vóxeles está formado por vóxeles adyacentes a un correspondiente máximo de probabilidad relativo o absoluto y satisface dicho criterio de proximidad;

- determinar (560), para cada grupo de vóxeles, una pluralidad de valores correspondientes de segundos parámetros principales (P^rT ), donde cada uno de dichos valores de segundos parámetros principales es una función de los valores de un parámetro inicial correspondiente de los vóxeles del grupo; y

- determinar (570), para cada grupo de vóxeles, un correspondiente valor de agresividad del grupo, en base a los valores correspondientes de segundos parámetros principales, donde dicho valor de agresividad del grupo es indicativo de la agresividad de la masa tumoral formada por las partes tumorales presentes en las partes correspondientes de tejido desconocido.

8. Método de detección según la reivindicación 7, que además comprende los pasos de:

- seleccionar (580) los grupos de vóxeles (R3d,i ) que tienen valores de agresividad del grupo mayores que un umbral de agresividad del grupo;

- determinar (580), para cada grupo de vóxeles seleccionado (R3^d*), una pluralidad de celdas (373) correspondientes que forman el grupo de vóxeles seleccionado;

- determinar (590), para cada celda, una pluralidad de correspondientes valores de terceros parámetros principales (P^rT *), donde cada uno de dichos valores de terceros parámetros principales es una función de los valores de un parámetro inicial correspondiente de los vóexeles de la celda; y

- determinar (600), para cada celda, un valor de agresividad de la celda correspondiente, en base a los valores correspondientes de terceros parámetros principales, donde dicho valor de agresividad de la celda es indicativo de la agresividad de la masa tumoral formada por las partes tumorales presentes en las correspondientes partes de tejido desconocido.

9. Método de detección según la reivindicación 8, en donde al menos uno de dichos segundos parámetros principales (P^rT ) es indicativo de la homogeneidad, o el contraste, o la entropía, o la energía, o cantidades estadísticas de los valores del correspondiente parámetro inicial, dentro de cada grupo de vóxeles (R3d,1); y en donde al menos uno de dichos terceros parámetros principales (P^rT *) es indicativo de la homogeneidad, o el contraste, o la entropía, o la energía, o las cantidades estadísticas de los valores del parámetro inicial correspondiente, dentro de cada celda (373).

10. Método de detección según cualquiera de las reivindicaciones de la 7 a la 9, que además comprende el paso de determinar (40), para cada vóxel, un valor correspondiente de al menos un parámetro estructural, que es la función de los valores de un parámetro inicial correspondiente de vóxeles, cuyas disposiciones, con respecto a dicho vóxel (51), satisfacen una condición geométrica predeterminada; y en donde cada primer parámetro principal (Pp’) es alternativamente igual a uno de dichos parámetros iniciales, o a uno de dichos parámetros estructurales.

11. Método para determinar un clasificador de agresividad de áreas tumorales, que comprende los pasos de:

- para cada tejido conocido de una pluralidad de tejidos conocidos, recibir (10) un número de escaneos de tejidos conocidos, donde cada escaneo comprende una correspondiente pluralidad de imágenes de IRM (Fi) que hacen referencia a un conjunto de vóxeles (45) de tejido conocido, donde cada vóxel (51) está asociado con una parte correspondiente del tejido conocido, donde las imágenes de IRM de cada escaneo son indicativas de valores de al menos un parámetro inicial correspondiente;

- determinar (50), para cada vóxel de cada tejido conocido, un número de valores correspondientes de primeros parámetros candidatos (Pp), en base a las imágenes de IRM del tejido conocido, donde dichos primeros parámetros candidatos incluyen dichos parámetros iniciales;

- almacenar, para cada vóxel de cada tejido conocido, una indicación binaria correspondiente en relación a la presencia/ausencia de una parte tumoral en la parte correspondiente de tejido conocido; y

- seleccionar (60) un subconjunto de primeros parámetros candidatos, en base a los valores de primeros parámetros candidatos de vóxele de los tejidos conocidos, y de las correspondientes indicaciones binarias de la presencia/ausencia de partes tumorales;

- determinar (70) un primer clasificador, en base a los valores de los primeros parámetros candidatos seleccionados (Pp’) de los vóxeles de los tejidos conocidos y las correspondientes indicaciones binarias de la presencia/ausencia de las partes tumorales;

- aplicar (70), para cada vóxel de cada tejido conocido, dicho primer clasificador a los valores correspondientes de primeros parámetros candidatos seleccionados (Pp’), para determinar un valor de probabilidad correspondiente, que es indicativo de la probabilidad de que la parte correspondiente de tejido conocido incluye una parte tumoral correspondiente;

- seleccionar (80, 90, 100, 110, 120), para cada tejido conocido, grupos de vóxeles correspondientes (R3d,1) en base a:

- los valores de probabilidad de los vóxeles, de un umbral predeterminado y de un criterio geométrico, de manera que cada grupo de vóxeles está formado por vóxeles adyacentes, cuyos valores de probabilidad satisfacen individualmente una relación predeterminada con el umbral de probabilidad, donde cada grupo de vóxeles también satisface dicho criterio geométrico;

o

- los valores de probabilidad de los vóxeles y un criterio de proximidad, de manera que cada grupo de vóxeles está formado por vóxeles adyacentes a un correspondiente máximo relativo o absoluto de probabilidad y satisface dicho criterio de proximidad;

- determinar (130), para cada grupo de vóxeles de cada tejido conocido, una pluralidad de correspondientes valores de parámetros regionales candidatos (P^rT ), donde cada uno de dichos valores de parámetros regionales candidatos es una función de los valores de un parámetro inicial correspondiente de los vóxeles del grupo; y

- almacenar, para cada grupo de vóxeles de cada tejido conocido, una correspondiente indicación binaria en relación con la agresividad de las partes tumorales presentes en las correspondientes partes de tejido conocido; y

- seleccionar (150) un subgrupo de parámetros regionales candidatos (P^rT ), en base a los valores de los parámetros regionales candidatos de los grupos de vóxeles de los tejidos conocidos y de las correspondientes indicaciones binarias de agresividad;

- determinar (170) un segundo clasificador, en base a los valores de los parámetros regionales candidatos seleccionados (P^rT ) de los grupos de vóxeles de los tejidos conocidos y las correspondientes indicaciones binarias en relación con la agresividad.

12. Método según la reivindicación 11, en donde dicho paso de seleccionar (60) un subconjunto de primeros parámetros candidatos (Pp) comprende realizar operaciones para descartar primeros parámetros candidatos, donde cada primer parámetro candidato descartado tiene una correlación respectiva con al menos otro primer parámetro candidato que excede un primer umbral de correlación; y en donde dicho paso de seleccionar (150) un subconjunto de parámetros regionales candidatos (P^rT ) comprende realizar operaciones para descartar parámetros regionales candidatos, donde cada parámetro regional candidato descartado tiene una correlación respectiva con al menos otro parámetro regional candidato que excede un segundo umbral de correlación.

13. Método según la reivindicación 11 o 12, que además comprende los pasos de:

- seleccionar (171), para cada tejido conocido, los grupos de vóxeles (R3^d*) que tienen indicaciones binarias de agresividad iguales a un valor binario predeterminado;

- determinar (172), para cada grupo de vóxeles seleccionado, una pluralidad de celdas (373) correspondientes que forman el grupo de vóxeles seleccionado;

- determinar (173), para cada celda, una pluralidad de valores correspondientes de parámetros de celdas candidatos (P^rT*), donde cada uno de dichos valores de parámetros de celdas candidatos es una función de los valores de un parámetro inicial correspondiente de los vóxeles de la celda; y

- almacenar, para cada celda, una indicación binaria correspondiente en relación a la agresividad de una parte tumoral en la correspondiente parte de tejido conocido; y

- seleccionar (175) un subconjunto de parámetros de celdas candidatos (P^rT*), en base a los valores de parámetros de celdas candidatos de tejidos conocidos y de las correspondientes indicaciones binarias de agresividad;

- determinar (177) un tercer clasificador, en base a los valores de los parámetros de celdas candidatos seleccionados de las celdas de tejidos conocidos y de las correspondientes indicaciones binarias en relación con la agresividad.

14. Método según la reivindicación 13, en donde dicho paso de seleccionar (175) un subconjunto de parámetros de celdas candidatos (P^rT *) comprende realizar operaciones para descartar parámetros regionales candidatos (P^rT *), donde cada parámetro de celda candidato descartado tiene una correlación respectiva con al menos otro parámetro de celda candidato que excede un tercer umbral de correlación.