After skin cancer, Prostate Cancer (PCa) is the second most frequent malignancy in men. In 2020, there were expected to be 1,414,259 PCa diagnoses worldwide. It is the fourth most common type of cancer diagnosed globally. Magnetic Resonance Imaging (MRI) is a diagnostic tool used to identify and categorize PCa. The Gleason Score (GS) is used to classify PCa aggressiveness, which determines the patient's treatment plan. Patients with high GS have an elevated probability of cancer metastasis and, consequently, they require immediate treatment. Therefore, the accurate aggressiveness determination, based on GS, is of crucial importance for managing patients with PCa.

The goal of the present dissertation was to develop and evaluate a machine learning model for discriminating PCa aggressiveness on MRI, based on GS, using textural radiomic features.

The clinical material consisted of 138 T2-weighted MR prostate images (54 non-aggressive with GS <= 6 and 84 aggressive with GS > 6), obtained from patients with verified PCa, participating in the ProstateNET program. One hundred and seven features were extracted from the histogram, the shape, the co-occurrence and run-length matrices.

Support Vector Machines (SVM) and Probabilistic Neural Networks (PNN) algorithms were applied in the classification strategies that were employed. The External Cross-Validation (ECV) methodology was used to evaluate the effectiveness of various classification schemes since it is a procedure that shows how effectively a developed classification system can generalize to situations that were not included in the initial training dataset.

It was found that the trained machine learning model was capable of discriminating between non-aggressive and aggressive PCa cases with an accuracy of 68.26% and 71.90%, using classification schemes based on PNN and SVM classifiers, respectively.

The proposed machine learning model could extract meaningful biomarkers that could render it as a valuable assisting tool for PCa aggressiveness characterization on MR images.

Ο καρκίνος του προστάτη (PCa) είναι ο δεύτερος πιο συχνός καρκίνος στους άνδρες, μετά τον καρκίνο του δέρματος. Σε όλο τον κόσμο, υπολογίζεται ότι 1.414.259 άνθρωποι διαγνώστηκαν με καρκίνο του προστάτη το 2020. Είναι ο τέταρτος πιο διαγνωσμένος καρκίνος στον κόσμο. Για τη διάγνωση του PCa, χρησιμοποιείται Μαγνητική Τομογραφία (MRI) για τον εντοπισμό και την ταξινόμηση της νόσου. Το θεραπευτικό σχήμα του ασθενούς εξαρτάται από την ταξινόμηση της επιθετικότητας PCa, με βάση το Σκορ Gleason (GS). Οι ασθενείς με υψηλό GS έχουν μεγάλη πιθανότητα μετάστασης καρκίνου και, κατά συνέπεια, χρήζουν άμεσης θεραπείας. Επομένως, ο ακριβής προσδιορισμός της επιθετικότητας, με βάση το GS, είναι ζωτικής σημασίας για τη διαχείριση ασθενών με PCa.

Σκοπός της παρούσας διπλωματικής εργασίας ήταν ο σχεδιασμός, η εφαρμογή και η αξιολόγηση μοντέλου μηχανικής μάθησης, για τη διάκριση της επιθετικότητας του PCa στη μαγνητική τομογραφία, βασισμένο σε GS, χρησιμοποιώντας χαρακτηριστικά υφής.

Το κλινικό υλικό αποτελείτο από 138 T2-weighted MR εικόνες προστάτη (54 μη επιθετικές με GS <= 6 και 84 επιθετικές με GS > 6), που ελήφθησαν από ασθενείς με επαληθευμένο PCa, οι οποίοι συμμετείχαν στο πρόγραμμα ProstateNET. Εκατόν επτά χαρακτηριστικά εξήχθησαν, από το ιστόγραμμα, το σχήμα, τους πίνακες χωρικής συν-εμφάνισης και μήκους διαδρομής.

Οι μέθοδοι ταξινόμησης που χρησιμοποιήθηκαν περιλάμβαναν αλγόριθμους Πιθανοκρατικού Νευρωνικού Δικτύου (PNN) και Μηχανών Διανυσμάτων Στήριξης (SVM). Η αξιολόγηση της απόδοσης των σχεδιασμένων σχημάτων ταξινόμησης επιτεύχθηκε μέσω της διαδικασίας Εξωτερικής Διασταυρούμενης Επικύρωσης (ECV), η οποία θεωρείται ενδεικτική της απόδοσης γενίκευσης του σχεδιασμένου συστήματος ταξινόμησης σε «άγνωστες» περιπτώσεις.

Διαπιστώθηκε ότι το εκπαιδευμένο μοντέλο μηχανικής μάθησης ήταν ικανό να διακρίνει μεταξύ μη επιθετικών και επιθετικών περιπτώσεων PCa με ακρίβεια 68.26% και 71.90%, χρησιμοποιώντας σχήματα ταξινόμησης που βασίζονται σε ταξινομητές PNN και SVM, αντίστοιχα.

Το προτεινόμενο μοντέλο μηχανικής μάθησης θα μπορούσε να εξαγάγει σημαντικούς βιοδείκτες που θα μπορούσαν να το καταστήσουν πολύτιμο βοηθητικό εργαλείο για τον χαρακτηρισμό της επιθετικότητας του PCa σε εικόνες μαγνητικού συντονισμού.