Treballs Fi de Màster> Enginyeria Informàtica i Matemàtiques

Segmentation and classification of breast cancer pathologies in histological images based on morphological patterns

  • Identification data

    Identifier: TFM:357
  • Authors:

    Manzi, Berardo Mario
  • Others:

    Keywords: Segmentació, Càncer de Mama, Intel·ligència Artificial Segmentation, Breast Cancer, Artificial Intelligence Segmentación, Cáncer de Mama, Inteligencia Artificial
    Title in different languages: Segmentación y clasificación de las patologías del cáncer de mama en imágenes histológicas basadas en patrones morfológicos Segmentation and classification of breast cancer pathologies in histological images based on morphological patterns Segmentació i classificació de patologies de càncer de mama en imatges histològiques basades en patrons morfològics
    Subject areas: Ingeniería informática Computer engineering Enginyeria informàtica
    Confidenciality: No
    Academic year: 2017-2018
    Student: Manzi, Berardo Mario
    Department: Enginyeria Informàtica i Matemàtiques
    Work's public defense date: 2018-09-12
    TFM credits: 9
    Project director: Romaní-Also, Santiago
    Abstract: La detección por mamografía para detectar el cáncer de mama es un control de rutina para las mujeres de 40 años o más. Eventuales sospechosos de un tumor pueden conducir a biopsias, para permitir estudios histológicos. Las imágenes resultantes serán analizadas por un patólogo experto para detectar cualquiera de los tipos de cáncer comunes (adenosis, fibroadenoma, tumor filodes, adenoma tubular, carcinoma ductal, carcinoma lobular, carcinoma mucinoso, carcinoma papilar), para definir un tratamiento adecuado. En nuestro trabajo, nuestro objetivo es desarrollar un algoritmo capaz de detectar dichos tipos de cáncer, lo que podría ayudar al personal médico a emitir un diagnóstico. Para este propósito, explotamos las técnicas de aprendizaje automático, entrenando redes neuronales convolucionales para identificar las diferentes clases de cáncer a través de un enfoque de dos etapas. En la primera etapa, se espera que las redes segmenten las imágenes individualizando las regiones de relevancia para el diagnóstico, como el tejido conectivo (o estroma) y las células del epitelio, cuyas alteraciones son signos de posible enfermedad. La segunda etapa se centra en clasificar los resultados de la primera etapa en los ocho tipos de cáncer, o, al menos, en tumores benignos y malignos. Este enfoque intenta obtener una idea del significado de las características aprendidas por una red neuronal, en contraste con los métodos habituales de clasificación de extremo a extremo comúnmente empleados, que pueden funcionar correctamente pero cuyo mecanismo interno es desconocido incluso para el diseñador. , actuando, por lo tanto, como una caja negra. Comparamos nuestro enfoque con este esquema de clasificación de extremo a extremo y demostramos que somos capaces de obtener precisiones similares mientras que, al mismo tiempo, damos una idea de las características visuales relevantes. Mammography screening for breast cancer detection is a routine control for women aged 40 or older. Eventual suspects of a tumor might lead to biopsies, to allow for histological studies. The resulting images will be analyzed by expert pathologist to detect any of the common cancer types (adenosis, fibroadenoma, phyllodes tumor, tubular adenoma, ductal carcinoma, lobular carcinoma, mucinous carcinoma, papillary carcinoma), to define a proper treatment. In our work, we aim to develop an algorithm capable of detecting such cancer types, which could support medical personnel to emit a diagnosis. For this purpose, we exploited machine learning techniques, training convolutional neural networks to identify the various cancer classes through a two stages approach. In the first stage, the networks are expected to segment the images by individuating the regions of relevance for diagnosis, such as the connective tissue (or stroma), and epithelium cells, whose alterations are signs of possible disease. The second stage focuses on classifying the outputs of the first stage into the eight types of cancers, or, at least, into benign and malignant tumors. This approach attempts to get some insight into the meaning of the features learned by a neural network, in contrast with the usual end-to-end classification methods commonly employed, which are capable to work properly but whose inner mechanism is unknown even to the designer, acting, thus, as a black-box. We compare our approach to such end-to-end classification scheme and show that we are capable to obtain similar accuracies while, at the same time, giving some insight into the relevant visual features. La detecció de mamografia per a la detecció de càncer de mama és un control de rutina per a dones de 40 anys o més. Els possibles sospitosos d'un tumor podrien conduir a biopsies, per permetre estudis histològics. Les imatges resultants seran analitzades per un patòleg expert per detectar algun tipus de càncer comú (adenosis, fibroadenoma, tumor de félodos, adenoma tubular, carcinoma ductal, carcinoma lobular, carcinoma mucíac, carcinoma papil·lar) per definir un tractament adequat. En el nostre treball, es pretén desenvolupar un algoritme capaç de detectar aquest tipus de càncer, que podria donar suport al personal mèdic per emetre un diagnòstic. Per això, aprofitem tècniques d'aprenentatge de màquines, formant xarxes neuronals convolucionals per identificar les diferents classes de càncer a través d'un enfocament de dues etapes. En la primera etapa, s'espera que les xarxes segmentin les imatges per individuar les regions rellevants per al diagnòstic, com ara el teixit connectiu (o estroma) i les cèl·lules epitelials, les alteracions són signes de possible malaltia. La segona etapa se centra en classificar els resultats de la primera etapa en els vuit tipus de càncers o, si més no, en tumors benignes i malignes. Aquest enfocament intenta obtenir una visió del significat de les característiques que aprèn una xarxa neuronal, en contrast amb els mètodes usuals de classificació de punta a punta, que són capaços de funcionar correctament però que el mecanisme intern encara no es coneix al dissenyador , actuant, per tant, com una caixa negra. Comparem el nostre enfocament amb aquest esquema de classificació d'extrem a extrem i demostrem que som capaços d'obtenir precisions similars i, alhora, donar una visió de les característiques visuals rellevants.
    Subject: Enginyeria informàtica
    Entity: Universitat Rovira i Virgili (URV)
    Language: Anglès
    Education area(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial
    Title in original language: Segmentation and classification of breast cancer pathologies in histological images based on morphological patterns
    Creation date in repository: 2018-02-11
  • Keywords:

    Ingeniería informática
    Computer engineering
    Enginyeria informàtica
    Enginyeria informàtica
  • Documents:

  • Cerca a google

    Search to google scholar