Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia

Detalhes bibliográficos
Autor(a) principal: Macarini, Luiz Antonio Buschetto
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/229243
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2021.
id UFSC_b8e9f7da4ebd5854dbaba783d6e661cd
oai_identifier_str oai:repositorio.ufsc.br:123456789/229243
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaMacarini, Luiz Antonio BuschettoStemmer, Marcelo RicardoWangenheim, Aldo v.2021-10-14T19:30:57Z2021-10-14T19:30:57Z2021373213https://repositorio.ufsc.br/handle/123456789/229243Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2021.O câncer de colo de útero é o quarto tipo de câncer mais comum entre as mulheres. No Brasil, esta doença foi a causa da morte de 6596 mulheres em 2019. Uma das maneiras de realizar o diagnóstico é através do teste de Papanicolau. A biópsia ainda é a maneira mais comum para a detecção precoce, apesar de ser um método invasivo. Neste sentido, pesquisadores vêm buscando maneiras não-invasivas de auxiliar no diagnóstico deste tipo de doença, e os estudos na área de Citologia tem se mostrado promissores. Nos dias atuais, utiliza-se a Citometria de DNA como principal abordagem para a detecção da quantidade anormal de DNA nas células, processo conhecido como Aneuploidia. Este pode ser um indicativo de lesões pré-cancerosas. Porém, ainda é necessário que esta análise celular seja feita por profissionais treinados. O processo pode ser cansativo e está sujeito a erros. No entanto, esta tarefa é passível de automação, auxiliando na diminuição da subjetividade do processo, dos possíveis erros e do tempo necessário para realizar a análise. Nos últimos anos, as técnicas de Deep Learning têm obtido sucesso em resolver problemas que resistiram às melhores tentativas da comunidade de Inteligência Artificial. Atualmente, as Redes Neurais Convolucionais vêm sendo utilizadas em diversas aplicações, nas quais podemos incluir também a área de saúde. Neste contexto, este trabalho tem como objetivo apresentar um pipeline completo para automação da classificação de núcleos celulares preparados com o corante de Feulgen, visando encontrar aneuploidia de maneira não-invasiva. Será apresentada uma comparação de diferentes abordagens (segmentação semântica, detecção de objetos e classificação de imagens) com onze arquiteturas de redes neurais diferentes. Os dados utilizados são provenientes de pacientes do Hospital Universitário da UFSC, onde foi construído um conjunto de dados anotados e avaliados por profissionais. Os resultados obtidos mostram que, no geral, as redes neurais apresentam bom desempenho em relação a detecção/segmentação (localização) dos núcleos, porém a diferenciação entre as classes apresentou métricas ruins. Dentre as abordagens comparadas neste trabalho, a classificação de imagens foi a que apresentou os melhores resultados. Concluiu-se que estes algoritmos ainda não estão prontos para serem implementados na rotina clínica. No entanto, este trabalho aponta um possível caminho a ser seguido para investigação de uma abordagem objetiva e não-invasiva para detecção precoce de aneuploidia.Abstract: Cervical cancer is the fourth most recurrent type of cancer among women. In Brazil, this disease was the cause of death of 6596 women in 2019. One of the ways to make the diagnosis is through the Pap test. The biopsy is still the most recurrent way of early detection, despite being an invasive method. Researchers have been looking for non-invasive methods to help in the diagnosis of this type of disease, and studies in the Cytology field have shown promising results. Nowadays, DNA cytometry is used as the main approach for detecting the abnormal amount of DNA in cells, a process known as Aneuploidy. This can be an indicative of precancerous lesions. However, this cell analysis still needs to be performed by trained professionals. The process can be exhaustive and error-prone. However, this task can be automated, helping on reducing the subjectivity of the process, possible errors, and the time needed to finish the analysis. In the last few years, Deep Learning techniques have been successful in solving problems that have resisted the best attempts of the Artificial Intelligence community. Currently, Convolutional Neural Networks are being used in several applications, in which we can also include the medical area. In this context, this work aims to present a complete pipeline for the automation of the classification of cell nuclei prepared with Feulgen stain, aiming to find aneuploidy in a non-invasive way. A comparison of different approaches (semantic segmentation, object detection, and image classification) with eleven different neural network architectures will be presented. The data used in this work was gathered from patients at UFSC's University Hospital, where a dataset annotated and evaluated by professionals was built. The obtained results show that, in general, neural networks present a good performance on nuclei detection/segmentation (localization), but the differentiation between classes presented poor metrics. Among the approaches compared in this work, image classification presented the best results. It was concluded that these algorithms are not yet ready to be implemented in a clinical routine. However, this work points to a possible way for the investigation of an objective and non-invasive approach for the early detection of aneuploidy.78 p.| il., gráfs.porEngenharia de sistemasAutomaçãoRedes neurais (Computação)CitologiaProcessamento de imagensAneuploidiaUtilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidiainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEAS0381-D.pdfPEAS0381-D.pdfapplication/pdf23080636https://repositorio.ufsc.br/bitstream/123456789/229243/1/PEAS0381-D.pdfebdeb93eab962fdd3e76062e147fc838MD51123456789/2292432022-04-07 14:08:06.518oai:repositorio.ufsc.br:123456789/229243Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732022-04-07T17:08:06Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
title Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
spellingShingle Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
Macarini, Luiz Antonio Buschetto
Engenharia de sistemas
Automação
Redes neurais (Computação)
Citologia
Processamento de imagens
Aneuploidia
title_short Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
title_full Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
title_fullStr Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
title_full_unstemmed Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
title_sort Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia
author Macarini, Luiz Antonio Buschetto
author_facet Macarini, Luiz Antonio Buschetto
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Macarini, Luiz Antonio Buschetto
dc.contributor.advisor1.fl_str_mv Stemmer, Marcelo Ricardo
dc.contributor.advisor-co1.fl_str_mv Wangenheim, Aldo v.
contributor_str_mv Stemmer, Marcelo Ricardo
Wangenheim, Aldo v.
dc.subject.classification.none.fl_str_mv Engenharia de sistemas
Automação
Redes neurais (Computação)
Citologia
Processamento de imagens
Aneuploidia
topic Engenharia de sistemas
Automação
Redes neurais (Computação)
Citologia
Processamento de imagens
Aneuploidia
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2021.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-10-14T19:30:57Z
dc.date.available.fl_str_mv 2021-10-14T19:30:57Z
dc.date.issued.fl_str_mv 2021
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 https://repositorio.ufsc.br/handle/123456789/229243
dc.identifier.other.none.fl_str_mv 373213
identifier_str_mv 373213
url https://repositorio.ufsc.br/handle/123456789/229243
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 78 p.| il., gráfs.
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
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/229243/1/PEAS0381-D.pdf
bitstream.checksum.fl_str_mv ebdeb93eab962fdd3e76062e147fc838
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805239610998784

Registros relacionados