Computer-assisted diagnosis of Barretts's esophagus using machine learning techniques
| Autor: | Souza Júnior, Luis Antonio de |
|---|---|
| Přispěvatelé: | Papa, João Paulo, Palm, Christoph |
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: |
Machine learning
Esôfago de Barrett Aprendizado em profundidade Deeply-learnable features Barrett’s esophagus CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::LINGUAGENS DE PROGRAMACAO [CIENCIAS EXATAS E DA TERRA] Deep learning Convolutional neural networks Interpretability Aprendizado de máquina Redes neurais convolucionais Interpretabilidade Handcrafted features |
| Zdroj: | Repositório Institucional da UFSCAR Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
| Popis: | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) Esophageal adenocarcinoma is an illness that is usually hard to detect at the early stages in the presence of Barrett's esohagus. The development of automatic evaluation systems of such illness may be very useful, thus assisting the experts in the neoplastic region detection. With the strong growth of machine learning techniques aiming to improve the effectivess of medical diagnosis, the use of such approaches characterizes a strong scenario to be explored for the early diagnosis of esophageal adenocarcinoma. Barrett's esophagus as a predecessor of adenocarcinoma can be explained by some risk factors, such as obesity, smoking, and late medical diagnosis. This project proposes the development of new computer vision and machine learning techniques to assist the automatic diagnosis of the esophageal adenocarcinioma based on the evaluation of two kind of features: (i) handcrafted features, calculated by means of human knowledge using some image processing technique and; (ii) deeply-learnable features, calculated exclusively based on deep learning techniques. From the extensive application of global and local protocols for the models proposed in this work, the description of cancer-affected images and Barrett's esophagus-affected samples were generalized and deeply evaluated using, for example, classifiers such as Support Vector Machines, ResNet-50 and the combination of descriptions by handcrafted and deeply-learnable features. Also, the behavior of the automatic definition of key-points within the evaluated techniques was observed, something of a paramount importance nowadays to guarantee transparency and reliability in the decisions made by computational techniques. Thus, this project contributes to both the computational and medical fields, introducing new classifiers, approaches and interpretation of the class generalization process, in addition to proposing fast and precise manners to define cancer, delivering important and novel results concerning the accurate identification of cancer in samples affected by Barrett's esophagus, showing values around 95% of correct identification rates and arranged in a collection of scientific works developed by the author during the research period and submitted/published to date. O câncer no esôfago é uma doença de difícil detecção nos estágios iniciais, especialmente na presença do esôfago de Barrett. O desenvolvimento de sistemas automáticos de avaliação de tal doença podem ser muito úteis, auxiliando os especialistas na detecção da região cancerígena. Com o forte crescimento das técnicas de aprendizado de máquina e, visando melhorar a eficácia do diagnóstico médico, seu uso caracteriza um cenário forte a ser explorado para o diagnóstico precoce do adenocarcinoma de esôfago. O esôfago de Barrett como antecessor do adenocarcinoma pode ser explicado por alguns fatores de risco, como obesidade, tabagismo e diagnóstico médico tardío. Este projeto visa o desenvolvimento de novas técnicas de visão computacional e aprendizado de máquina para o auxílio do diagnóstico automático de câncer esofageal baseado na avaliação de dois tipos de características: (i) extraídas a mão (handcrafted features), calculadas com base no conhecimento humano usando técnicas de processamento de imagens e (ii) extraídas por aprendizado em profundidade (deeply-learnable features), calculadas exclusivamente com base em técnicas de aprendizado em profundidade. Pela extensa aplicação de protocolos globais e locais para os modelos propostos neste trabalho, a descrição de imagens acometidas por câncer e esôfago de Barrett foram generalizadas e profundamente avaliadas utilizando, por exemplo, classificadores como Support Vector Machines, ResNet-50 e a combinação de descrições por handcrafted e deeply-learnable features. Ainda, observou-se o comportamento da definição automática dos pontos de interesse dentro das técnicas avaliadas, algo de suma importância nos dias atuais para garantir transparência e confiabilidade as decisões tomadas por técnicas computacionais. Assim, este projeto contribui com ambas as aŕeas computaonal e médica, introduzindo novos classificadores, abordagens e interpretação do processo de generalização das classes, além de propor formas precisas e rápidas de definir câncer, entregando resultados importantes e de caráter inovador no que permeia a acurada identificação de câncer em amostras acometidas por Barrett, com valores que aproximam-se de taxas de 95% de correta identificação, e dispostos em uma coletânea de trabalhos científicos elaborados pelo autor durante o período de pesquisa e submetidos/publicados até a presente data. 2017/04847-9 2019/08605-5 |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|