Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR

Detalhes bibliográficos
Autor(a) principal: Amorim, João Gustavo Atkinson
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/241033
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
id UFSC_0697e35cb26f2dbd1a6c01a8a9f27adf
oai_identifier_str oai:repositorio.ufsc.br:123456789/241033
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNORComputaçãoAprendizado profundo (aprendizado do computador)Visão por computadorCitologiaDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.O câncer do colo do útero é o quarto tipo de câncer mais comum e mortal nas mulheres nos últimos anos. Uma maneira de diagnosticar este tipo de câncer é através da citologia, que se mostra uma técnica viável e capaz de detectar precocemente o câncer. Porém, a análise e/ou diagnóstico deste tipo de exame é feito de maneira manual com profissionais treinados, e isto é propenso a erros humanos por diversos fatores. Na citologia é necessário o uso de um corante para destacar as células e suas características, sendo o Papanicolau a técnica padrão para o câncer do colo do útero, porém em alguns casos métodos coadjuvantes são necessários para um diagnóstico completo. Neste trabalho, amostras cervicais coradas com a técnica coadjuvante AgNOR foi utilizada. A partir destas amostras, imagens são capturadas para realização da identificação e caracterização das células utilizando modelos de Deep Learning do estado da arte. O diagnóstico destas células ocorre através da contagem/detecção dos núcleos e NORs ? Regiões Organizadoras Nucleolares. Os NORs são estruturas celulares muito pequenas presentes nos núcleos, para detectá-los foi utilizado o método de segmentação semântica. Foi comparado modelos do estado da arte (HRNet e SegFormer) com a rede U-net tradicional usando ResNets como backbone. Os resultados apresentaram o modelo transformer, SegFormer, como o melhor modelo para segmentar núcleos. Sendo a HRNet o melhor modelo para segmentar os NORs. Foi utilizado como pós-processamento um algoritmo de componentes conexas com uma filtragem por tamanho, para extrair as instâncias dos objetos a partir da saída destes modelos. A HRNet mostrou-se mais adequado para segmentação de imagens AgNOR na totalidade, com 0,85 de precisão, 0,85 de recall e 0,85 F-score para detecção dos núcleos, e 0,7 de precisão, 0,55 de recall e 0,62 F-score na detecção de NORs.Abstract: Cervical cancer is the fourth most common and deadly cancer in women in recent years. One way to diagnose this type of cancer is through cytology, which is a viable technique capable of detecting cancer in its early stages. However, the analysis and/or diagnosis of this type of exam is done manually with trained professionals, and this is prone to human errors due to several factors. In cytology, it is necessary to use a stain to highlight the cells and their characteristics, the Pap-smear being the standard technique for cervical cancer, but in some cases supporting methods are necessary for a complete diagnosis. In this work, has been utilized cervical samples stained with the AgNOR, an adjuvant technique. From these samples, images are captured to perform cell identification and characterization using state-of-the-art Deep Learning models. The diagnosis of these cells occurs through the counting/detection of nuclei and NORs - Nucleolar Organizing Regions. The NORs are very small objects present in the nuclei, to detect them has been employed semantic segmentation methods. Comparing state-of-the-art models (HRNet and SegFormer) with the traditional U-net network using ResNets as a backbone. The results showed the transformer model, SegFormer, as the best model to segment the nucleus. HRNet is the best model to segment NORs. An algorithm of connected components with filtering by area was used as post-processing to extract the object instances from the output of these models. HRNet showed to be more suitable for segmenting AgNOR images in their entirety, with 0.85 precision, 0.85 recall, and 0.85 F-score for nuclei detection, and 0.7 precision, 0.55 recall, and 0.62 F-score in the detection of NORs.Wangenheim, Aldo v.Universidade Federal de Santa CatarinaAmorim, João Gustavo Atkinson2022-10-21T17:02:11Z2022-10-21T17:02:11Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis63 p.| il., gráfs.application/pdf378120https://repositorio.ufsc.br/handle/123456789/241033porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2022-10-21T17:02:11Zoai:repositorio.ufsc.br:123456789/241033Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-10-21T17:02:11Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
title Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
spellingShingle Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
Amorim, João Gustavo Atkinson
Computação
Aprendizado profundo (aprendizado do computador)
Visão por computador
Citologia
title_short Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
title_full Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
title_fullStr Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
title_full_unstemmed Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
title_sort Aprendizagem profunda em imagens citológicas: identificação e caracterização de objetos corados com a técnica AgNOR
author Amorim, João Gustavo Atkinson
author_facet Amorim, João Gustavo Atkinson
author_role author
dc.contributor.none.fl_str_mv Wangenheim, Aldo v.
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Amorim, João Gustavo Atkinson
dc.subject.por.fl_str_mv Computação
Aprendizado profundo (aprendizado do computador)
Visão por computador
Citologia
topic Computação
Aprendizado profundo (aprendizado do computador)
Visão por computador
Citologia
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-10-21T17:02:11Z
2022-10-21T17:02:11Z
2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 378120
https://repositorio.ufsc.br/handle/123456789/241033
identifier_str_mv 378120
url https://repositorio.ufsc.br/handle/123456789/241033
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 63 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652386156150784

Registros relacionados