Estimação das propriedades óticas de tecidos a partir de dados de reflectância difusa usando modelos de aprendizagem automática

• Autor(a) principal: Fernandes, Luís Emanuel Pereira Pinto
• 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/10400.22/18187
• topic: Propriedades óticas espetrais de tecidos biológicos; Índice de refração; Coeficiente de espalhamento; Coeficiente de absorção; Aprendizagem máquina; Diagnóstico não invasivo; Cancro colorretal; Spectral optical properties of biotissues; Refractive index; Scattering coefficient; Absorption coefficient; Machine learning; Noninvasive diagnostics; Colorectal cancer

As doenças oncológicas consistem numa das maiores preocupações dos sistemas de saúde a nível mundial, visto que o cancro é anualmente responsável por milhões de mortes. Além disso, se o cancro for detetado num estágio tardio poderá tornar o seu tratamento mais difícil, ou mesmo ineficaz. Tendo em conta estes fatores, novas tecnologias de diagnóstico de cancro são necessárias para melhorar o tratamento médico fornecido aos pacientes. A ótica médica é uma disciplina que tem produzido muitos progressos nos últimos 40 anos e que pretende a longo prazo substituir as tecnologias de diagnóstico e de tratamento que utilizam radiação ionizante, permitindo procedimentos não invasivos ou minimamente invasivos. Para qualquer procedimento clínico que utilize a luz é necessário conhecer as propriedades óticas dos tecidos e a sua dependência no comprimento de onda. Tais propriedades são características dos tecidos e apresentam diferenças nos casos de patologia oncológica, devido às mutações genéticas que o cancro produz. Estas alterações nos tecidos com cancro podem ser detetadas com medições sensíveis não invasivas como a reflectância difusa. Devido à falta de formalismos matemáticos que relacionem a reflectância difusa com as propriedades óticas dos tecidos, existem na atualidade ainda muito poucas formas de se proceder a um diagnóstico com estas medições. As Simulações de Monte Carlo são normalmente utilizadas para estimar as propriedades óticas desejadas numa determinada aplicação, no entanto, estas tendem a ser computacionalmente dispendiosas e morosas. Atualmente, os modelos de aprendizagem automática estão a assumir um papel muito importante na ótica médica, em especial na estimação das propriedades óticas dos tecidos biológicos. No entanto, os dados para treino destes modelos não provêm de medições experimentais de tecidos, mas sim de simulações de Monte Carlo ou de medições de estruturas criadas em laboratório como modelos de tecidos. Assim, o objetivo do presente trabalho consistiu em investigar mais aprofundadamente o uso de modelos de aprendizagem automática para estimar as propriedades óticas de tecidos biológicos, tais como: o coeficiente de absorção, o coeficiente de espalhamento e o índice de refração. Para além da estimação das propriedades óticas dos tecidos, estudamos também a classificação em normal ou patológico dos espectros de reflectância difusa, como forma de detetar o cancro colorretal. Os modelos de aprendizagem automática que foram usados para estimar as propriedades óticas de tecidos da mucosa colorectal humana são os seguintes: Single Layer Perceptron, Random Forest Regressor, K Nearest Neighbor, Decision Tree for Multioutput Regression and Linear Regression for Multioutput. Estes modelos foram treinados utilizando o método Leave One Out e para avaliar a sua performance foi calculada a distância euclidiana entre os espectros estimado e de referência que provem das medições experimentais em tecidos. Nestes estudos, o modelo que teve a melhor performance foi o RFR, visto ter sido capaz de estimar com a melhor precisão os espectros do coeficiente de absorção e de produzir a segunda melhor precisão na estimação do coeficiente de espalhamento. Para classificar os espectros de reflexão difusa em espectros normais ou patológicos, tentamos numa primeira experiência usar o declive dos espectros para discriminar entre os dois tipos de espectros, mas sem sucesso. Numa segunda experiência utilizámos uma Selector Vector Machine para classificar os espectros. Depois de selecionar os comprimentos de onda que iriam ser utilizados como features, o modelo foi treinado utilizando o método Leave One Out, obtendo uma precisão de 90%. Em suma, neste estudo nós propomos uma nova framework para estimar as propriedades óticas do tecido colorretal a partir do respetivo espectro de reflectância difusa e usando modelos de aprendizagem automática. Foi também abordada a classificação automática dos espectros de reflectância difusa para a deteção do cancro colorretal. Os modelos usados foram capazes de estimar os espectros desejados de uma forma precisa e com uma distância euclidiana abaixo de dois. Os espectros de absorção foram estimados com uma precisão suficiente para serem usados para calcular o índice de refração dos tecidos. A classificação dos espectros foi atingida com sucesso e com uma precisão de 90%.