Dissertação
Métodos Computacionais para Análise e Classificação de Displasias em Imagens da Cavidade Bucal
Computational Methods for Analysis and Classification of Dysplasias in Images of Buccal Cavity
Registro en:
Autor
Silva, Adriano Barbosa
Institución
Resumen
In recent years, the use of computer systems as a tool for diagnostic assistance has
shown significant growth in applications aimed at histological tissues analysis. Computational
algorithms are used to extract information that allows the quantification of lesions.
This simplifies the manual diagnostic process performed by a specialist, which requires
a lot of time, energy and is subject to subjectivity factors. In order to improve the diagnostic
process of oral dysplasias, this work proposes a method for segmentation and
classification of nuclear structures present in images of histological tissues. The proposed
method is divided into the stages of segmentation, post-processing, feature extraction
and classification. In the segmentation stage, the neural network Mask R-CNN was used
to identify significant information to separate cell nuclei from background region. In
the post-processing stage, dilation, region filling, and erosion operations were used to fill
incomplete nuclei regions and remove remaining noise from the segmentation stage. In
the feature extraction stage, texture and morphologic attributes were extracted from the
images nuclei. Finally, a polynomial classifier algorithm was used to classify the images
among healthy tissue, mild dysplasia, moderate dysplasia and severe dysplasia. The obtained
results were compared with the groundtruth generated by a specialist and with
other methods present in literature. The method obtained accuracy of 89.52% in the segmentation
of the nuclear components, which is 14% higher than other methods. During
the classification stage, the classification method obtained a value of area under the ROC
curve of 0.92, a value 6.5% higher than other methods. The method obtained results
more relevant than other methods in literature, showing that it can be used by health
specialists as a tool to study pre-cancer lesions. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico FAPEMIG - Fundação de Amparo a Pesquisa do Estado de Minas Gerais Dissertação (Mestrado) Nos últimos anos, o uso de sistemas computacionais como ferramenta para auxílio
em diagnósticos vem mostrando grande crescimento em aplicações voltadas à análise de
tecidos histológicos. Algoritmos computacionais são utilizados por permitir a extração
de informações que possibilitem a quantificação de lesões. Isso simplifica o processo de
diagnóstico manual realizado por especialista, que demanda muito tempo, energia e é
sujeito a fatores de subjetividade. Com o objetivo de aprimorar o processo de diagnóstico
de displasias orais, este trabalho propõe um método para segmentação e classificação de
estruturas nucleares presentes em imagens de tecidos histológicos. O método proposto
é dividido nas etapas de segmentação, pós-processamento, extração de características e
classificação. Na etapa de segmentação, a rede neural Mask R-CNN foi utilizada para
identificar informações significantes para separar núcleos celulares de região de fundo. Na
etapa de pós-processamento, operações de dilatação, preenchimento de regiões e erosão
foram utilizadas para preencher regiões de núcleo incompletas e remover ruídos remanescentes
da segmentação. Na etapa de extração de características, atributos de textura e
morfologia foram extraídos dos núcleos das imagens. Por fim, um algoritmo classificador
polinomial foi utilizado para classificar as imagens entre tecido saudável, displasia leve,
displasia moderada e displasia severa. Os resultados obtidos foram comparados com o
padrão-ouro gerado por um especialista e com outros métodos presentes na literatura. O
método obteve acurácia de 89,52% na fase de segmentação dos componentes nucleares,
sendo esse valor 14% maior do que outros métodos. Durante a etapa de classificação, o
método de classificação obteve um valor de área sob a curva ROC igual a 0,92, um valor
6,5% mais alto do que outros métodos. O método obteve resultados mais relevantes em
relação a outros métodos presentes na literatura, mostrando que pode ser utilizado por
especialistas da área da saúde como uma ferramenta para estudo de lesões pré-câncer.