Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFESP |
Texto Completo: | https://repositorio.unifesp.br/xmlui/handle/11600/63791 |
Resumo: | De acordo com o Instituto Nacional do Câncer (INCA), mais de 68 mil novos casos de câncer de próstata foram estimados em 2018, representando o segundo tipo mais frequente de câncer entre homens no Brasil, ficando atrás somente do câncer de pele não melanoma. Existem dois tipos de tumores, o benigno também conhecido como hiperplasia benigna da próstata, e o maligno, chamado de adenocarcinoma. As chances de cura superam 90% quando diagnosticado precocemente. Para realizar o rastreamento do câncer de próstata, é realizado o exame retal digital e o teste de PSA, sendo recomendado para todos os homens acima de 50 anos. Porém, se o paciente estiver no grupo de risco, a recomendação passa ser a partir dos 45 anos. Ambos os métodos apresentam limitações de acurácia na previsão das chances de diagnóstico do câncer de próstata. Assim, caso haja alguma anormalidade nesses exames, o paciente é encaminhado para a biopsia, sendo este o padrão ouro. As amostras de biópsia são analisadas por um patologista especialista que assinala se há ou não presença de câncer. Essa análise é realizada por meio dos critérios de Gleason, estabelecidos nos anos 60 a fim padronizar e classificar lesões utilizando características visuais. A discordância entre patologistas especialistas pode chegar a 20%, criando um obstáculo significativo para as melhores práticas do paciente com câncer. Dados recentes mostram o potencial da implementação de procedimentos computacionais e métodos de processamento de imagem para a qualificação e quantificação do câncer, mas ainda há espaço para avaliações e crescimento em acurácia e cobertura diagnóstica. Considerando este vasto panorama, o objetivo geral deste projeto é implementar um método computacional utilizando Redes Neurais Convolucionais (CNNs) em imagens patológicas de biópsias de próstata. O projeto tem como propósito classificar patches de imagens obtidos por intervenções cirúrgicas em pacientes com câncer e não câncer, e posteriormente, classificar as graduações de severidade, nos padrões Gleason 3, 4, e 5. Assim, foram obtidas 32 imagens de biópsia de câncer de próstata, sendo estas revisadas por uma uropatologista especialista. Essas 32 imagens foram então transformadas em milhares de patches para alimentar as topologias propostas. Adicionalmente, mais 13 imagens retiradas do conjunto de dados aberto PANDAS foram utilizadas para complementar os dados de classificação dos padrões de Gleason 3,4 e 5. A metodologia foi dividida em abordagens clínicas para extrair patches, e abordagens computacionais, para a implementação das CNNs. Na avaliação foi utilizado o método k-fold cross validation, resultando em uma acurácia de 98,3% na distinção entre amostras com câncer e não câncer. Em uma segunda topologia de classificação dos 3 padrões de Gleason, foi alcançado 85%, 93% e 96% de taxa de verdadeiro positivo para os Gleasons 3, 4 e 5, respectivamente. Conclusão: Os métodos apresentados mostraram-se eficientes na classificação de câncer de próstata e com alta acurácia na graduação de severidade. |
id |
UFSP_a9ed9b26c97856f55a740b61b6fcb1a7 |
---|---|
oai_identifier_str |
oai:repositorio.unifesp.br:11600/63791 |
network_acronym_str |
UFSP |
network_name_str |
Repositório Institucional da UNIFESP |
repository_id_str |
3465 |
spelling |
Kudo, Maíra Suzuka [UNIFESP]http://lattes.cnpq.br/8559304698418589http://lattes.cnpq.br/1854451408004051http://lattes.cnpq.br/1339300436604084Moraes, Matheus Cardoso [UNIFESP]Leite, Katia Ramos Moreira2022-05-03T16:59:21Z2022-05-03T16:59:21Z2022-02-18https://repositorio.unifesp.br/xmlui/handle/11600/63791De acordo com o Instituto Nacional do Câncer (INCA), mais de 68 mil novos casos de câncer de próstata foram estimados em 2018, representando o segundo tipo mais frequente de câncer entre homens no Brasil, ficando atrás somente do câncer de pele não melanoma. Existem dois tipos de tumores, o benigno também conhecido como hiperplasia benigna da próstata, e o maligno, chamado de adenocarcinoma. As chances de cura superam 90% quando diagnosticado precocemente. Para realizar o rastreamento do câncer de próstata, é realizado o exame retal digital e o teste de PSA, sendo recomendado para todos os homens acima de 50 anos. Porém, se o paciente estiver no grupo de risco, a recomendação passa ser a partir dos 45 anos. Ambos os métodos apresentam limitações de acurácia na previsão das chances de diagnóstico do câncer de próstata. Assim, caso haja alguma anormalidade nesses exames, o paciente é encaminhado para a biopsia, sendo este o padrão ouro. As amostras de biópsia são analisadas por um patologista especialista que assinala se há ou não presença de câncer. Essa análise é realizada por meio dos critérios de Gleason, estabelecidos nos anos 60 a fim padronizar e classificar lesões utilizando características visuais. A discordância entre patologistas especialistas pode chegar a 20%, criando um obstáculo significativo para as melhores práticas do paciente com câncer. Dados recentes mostram o potencial da implementação de procedimentos computacionais e métodos de processamento de imagem para a qualificação e quantificação do câncer, mas ainda há espaço para avaliações e crescimento em acurácia e cobertura diagnóstica. Considerando este vasto panorama, o objetivo geral deste projeto é implementar um método computacional utilizando Redes Neurais Convolucionais (CNNs) em imagens patológicas de biópsias de próstata. O projeto tem como propósito classificar patches de imagens obtidos por intervenções cirúrgicas em pacientes com câncer e não câncer, e posteriormente, classificar as graduações de severidade, nos padrões Gleason 3, 4, e 5. Assim, foram obtidas 32 imagens de biópsia de câncer de próstata, sendo estas revisadas por uma uropatologista especialista. Essas 32 imagens foram então transformadas em milhares de patches para alimentar as topologias propostas. Adicionalmente, mais 13 imagens retiradas do conjunto de dados aberto PANDAS foram utilizadas para complementar os dados de classificação dos padrões de Gleason 3,4 e 5. A metodologia foi dividida em abordagens clínicas para extrair patches, e abordagens computacionais, para a implementação das CNNs. Na avaliação foi utilizado o método k-fold cross validation, resultando em uma acurácia de 98,3% na distinção entre amostras com câncer e não câncer. Em uma segunda topologia de classificação dos 3 padrões de Gleason, foi alcançado 85%, 93% e 96% de taxa de verdadeiro positivo para os Gleasons 3, 4 e 5, respectivamente. Conclusão: Os métodos apresentados mostraram-se eficientes na classificação de câncer de próstata e com alta acurácia na graduação de severidade.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)55 f.porUniversidade Federal de São PauloRede Neural ConvolucionalInteligência artificialCâncer de próstataImagem de biópsiaAvaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstatainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESPInstituto de Ciência e Tecnologia (ICT)Engenharia BiomédicaORIGINALdissertacao_maira_final.pdfdissertacao_maira_final.pdfapplication/pdf4179397${dspace.ui.url}/bitstream/11600/63791/1/dissertacao_maira_final.pdf718e06ce5c2ef8bb31a536189a99f6fcMD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-85890${dspace.ui.url}/bitstream/11600/63791/2/license.txtc4ea26e6c2248ab5f20968bb29596642MD52open accessTEXTdissertacao_maira_final.pdf.txtdissertacao_maira_final.pdf.txtExtracted texttext/plain89973${dspace.ui.url}/bitstream/11600/63791/6/dissertacao_maira_final.pdf.txt0fc81de0f0e5265767b2d40a10596f6bMD56open accessTHUMBNAILdissertacao_maira_final.pdf.jpgdissertacao_maira_final.pdf.jpgIM Thumbnailimage/jpeg4957${dspace.ui.url}/bitstream/11600/63791/8/dissertacao_maira_final.pdf.jpgc87cdbc24cc0ffaffcf1142b9fcf4262MD58open access11600/637912023-05-16 01:09:54.626open accessoai:repositorio.unifesp.br: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Repositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestopendoar:34652023-05-16T04:09:54Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)false |
dc.title.pt_BR.fl_str_mv |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
title |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
spellingShingle |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata Kudo, Maíra Suzuka [UNIFESP] Rede Neural Convolucional Inteligência artificial Câncer de próstata Imagem de biópsia |
title_short |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
title_full |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
title_fullStr |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
title_full_unstemmed |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
title_sort |
Avaliação do potencial de redes neurais convolucionais em classificar e graduar severidade em imagens patológicas de biópsias de próstata |
author |
Kudo, Maíra Suzuka [UNIFESP] |
author_facet |
Kudo, Maíra Suzuka [UNIFESP] |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8559304698418589 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1854451408004051 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1339300436604084 |
dc.contributor.author.fl_str_mv |
Kudo, Maíra Suzuka [UNIFESP] |
dc.contributor.advisor1.fl_str_mv |
Moraes, Matheus Cardoso [UNIFESP] |
dc.contributor.advisor-co1.fl_str_mv |
Leite, Katia Ramos Moreira |
contributor_str_mv |
Moraes, Matheus Cardoso [UNIFESP] Leite, Katia Ramos Moreira |
dc.subject.por.fl_str_mv |
Rede Neural Convolucional Inteligência artificial Câncer de próstata Imagem de biópsia |
topic |
Rede Neural Convolucional Inteligência artificial Câncer de próstata Imagem de biópsia |
description |
De acordo com o Instituto Nacional do Câncer (INCA), mais de 68 mil novos casos de câncer de próstata foram estimados em 2018, representando o segundo tipo mais frequente de câncer entre homens no Brasil, ficando atrás somente do câncer de pele não melanoma. Existem dois tipos de tumores, o benigno também conhecido como hiperplasia benigna da próstata, e o maligno, chamado de adenocarcinoma. As chances de cura superam 90% quando diagnosticado precocemente. Para realizar o rastreamento do câncer de próstata, é realizado o exame retal digital e o teste de PSA, sendo recomendado para todos os homens acima de 50 anos. Porém, se o paciente estiver no grupo de risco, a recomendação passa ser a partir dos 45 anos. Ambos os métodos apresentam limitações de acurácia na previsão das chances de diagnóstico do câncer de próstata. Assim, caso haja alguma anormalidade nesses exames, o paciente é encaminhado para a biopsia, sendo este o padrão ouro. As amostras de biópsia são analisadas por um patologista especialista que assinala se há ou não presença de câncer. Essa análise é realizada por meio dos critérios de Gleason, estabelecidos nos anos 60 a fim padronizar e classificar lesões utilizando características visuais. A discordância entre patologistas especialistas pode chegar a 20%, criando um obstáculo significativo para as melhores práticas do paciente com câncer. Dados recentes mostram o potencial da implementação de procedimentos computacionais e métodos de processamento de imagem para a qualificação e quantificação do câncer, mas ainda há espaço para avaliações e crescimento em acurácia e cobertura diagnóstica. Considerando este vasto panorama, o objetivo geral deste projeto é implementar um método computacional utilizando Redes Neurais Convolucionais (CNNs) em imagens patológicas de biópsias de próstata. O projeto tem como propósito classificar patches de imagens obtidos por intervenções cirúrgicas em pacientes com câncer e não câncer, e posteriormente, classificar as graduações de severidade, nos padrões Gleason 3, 4, e 5. Assim, foram obtidas 32 imagens de biópsia de câncer de próstata, sendo estas revisadas por uma uropatologista especialista. Essas 32 imagens foram então transformadas em milhares de patches para alimentar as topologias propostas. Adicionalmente, mais 13 imagens retiradas do conjunto de dados aberto PANDAS foram utilizadas para complementar os dados de classificação dos padrões de Gleason 3,4 e 5. A metodologia foi dividida em abordagens clínicas para extrair patches, e abordagens computacionais, para a implementação das CNNs. Na avaliação foi utilizado o método k-fold cross validation, resultando em uma acurácia de 98,3% na distinção entre amostras com câncer e não câncer. Em uma segunda topologia de classificação dos 3 padrões de Gleason, foi alcançado 85%, 93% e 96% de taxa de verdadeiro positivo para os Gleasons 3, 4 e 5, respectivamente. Conclusão: Os métodos apresentados mostraram-se eficientes na classificação de câncer de próstata e com alta acurácia na graduação de severidade. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-05-03T16:59:21Z |
dc.date.available.fl_str_mv |
2022-05-03T16:59:21Z |
dc.date.issued.fl_str_mv |
2022-02-18 |
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.unifesp.br/xmlui/handle/11600/63791 |
url |
https://repositorio.unifesp.br/xmlui/handle/11600/63791 |
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 |
55 f. |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFESP instname:Universidade Federal de São Paulo (UNIFESP) instacron:UNIFESP |
instname_str |
Universidade Federal de São Paulo (UNIFESP) |
instacron_str |
UNIFESP |
institution |
UNIFESP |
reponame_str |
Repositório Institucional da UNIFESP |
collection |
Repositório Institucional da UNIFESP |
bitstream.url.fl_str_mv |
${dspace.ui.url}/bitstream/11600/63791/1/dissertacao_maira_final.pdf ${dspace.ui.url}/bitstream/11600/63791/2/license.txt ${dspace.ui.url}/bitstream/11600/63791/6/dissertacao_maira_final.pdf.txt ${dspace.ui.url}/bitstream/11600/63791/8/dissertacao_maira_final.pdf.jpg |
bitstream.checksum.fl_str_mv |
718e06ce5c2ef8bb31a536189a99f6fc c4ea26e6c2248ab5f20968bb29596642 0fc81de0f0e5265767b2d40a10596f6b c87cdbc24cc0ffaffcf1142b9fcf4262 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP) |
repository.mail.fl_str_mv |
|
_version_ |
1802764125638492160 |