A step closer to real-time detect gastric cancer

• Autor(a) principal: Nóbrega, Sara Pires da
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10348/11043
• topic: Cancro Gástrico; Cancro Colorretal

O cancro gástrico é um dos tipos de cancro mais comum e mortal mundialmente: para além de ser o sexto cancro mais incidente em Portugal no ano de 2020, foi o terceiro mais mortal, de acordo com GLOBOCAN 2020, uma base de dados online que fornece estatística relacionada com cancro em 185 países. Em estádios iniciais, este cancro é assintomático, sendo que os sintomas surgem tardiamente, quando o cancro se encontra num estado avançado. Uma deteção precoce desta patologia é essencial para aumentar a probabilidade de sobrevivência do paciente. Os métodos mais comuns de deteção de cancro gástrico são a endoscopia alta e a biopsia sendo que através da endoscopia alta é possível observar a parte superior do trato digestivo, onde se inclui o estômago. Sistemas de Deep Learning tem demonstrado utilidade em várias tarefas no campo da análise de imagens médicas, sendo que em alguns casos apresentam performances comparáveis com especialistas. Assim sendo, um sistema de deteção de cancro gástrico em tempo real poderia mostrar-se útil, na medida em que chamaria a atenção dos especialistas para zonas suspeitas, de modo a que fossem analisadas, sendo executados os métodos necessários para o diagnóstico. Para além disso, um sistema de deteção de cancro gástrico em tempo real poderia ser útil para especialistas com menos experiência, aumentando o número de áreas suspeitas analisadas bem como o número de deteções. Contudo, a quantidade de imagens endoscópicas com cancro gástrico, anotadas e disponíveis em bases de dados públicas para treinar e avaliar um sistema desta natureza são reduzidas. Sabendo que o cancro colorretal apresenta semelhanças com o tipo mais comum de cancro gástrico, um sistema de deteção com conhecimento prévio nesta patologia poderia auxiliar na deteção de cancro gástrico. Para além disso, a quantidade de imagens de colonoscopia anotadas com cancro colorretal disponíveis é maior comparativamente ao número de imagens com cancro gástrico. Assim sendo, este trabalho explorou a YOLOv4, uma arquitetura do estado da arte de deteção de objetos, para a deteção em tempo real de cancro colorretal. Posteriormente, após a arquitetura ser treinada e avaliada em tal tarefa, uma abordagem de transfer learning foi executada de modo a perceber a influencia de conhecimento relativo a cancro colorretal na tarefa de deteção de cancro gástrico em tempo real. Os resultados atingidos utilizando esta inovadora estratégia de transfer learning são promissores, sendo que número de imagens onde foi detetado cancro gástrico aumentou, comparativamente com um modelo desenvolvido nas mesmas condições onde foi aplicada uma estratégia de transfer learning tradicional. Contudo, dadas as dimensões reduzidas do dataset utilizado, é necessário validar os resultados obtidos neste trabalho recorrendo a um dataset maior e mais diverso.