Caracterização de tecido do cólon por meio da aplicação de aprendizagem profunda sobre imagens hiperespectrais

• Ano de defesa: 2021
• Autor(a) principal: Muniz, Frederico Barbosa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizagem profunda; Câncer do cólon; Colon cancer; Computer-aided diagnosis; Deep learning; Hyperspectral images; Imagens hiperespectrais; Sistemas de apoio ao diagnóstico
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-10042021-112315/

O câncer é a segunda principal causa de morte no mundo e o câncer do cólon está entre os três tipos mais comuns. Normalmente o diagnóstico desta doença é realizado por meio de exames histológicos em lâminas contendo tecido de biópsia, coradas com Hematoxilina e Eusina. As pesquisas visando o diagnóstico baseado em imagens digitais de biópsia têm crescido com rapidez, alavancando o desenvolvimento e o aperfeiçoamento de métodos de processamento de imagens especialmente desenvolvidos ou adaptados para esta categoria. As imagens hiperespectrais, obtidas a partir da medida de absorbância em diferentes frequências de aplicação de raios infravermelhos sobre o tecido, por sua vez, apresentam relações com características histoquímicas valiosas. Neste projeto, foi desenvolvido um método para processamento de sinais hiperespectrais obtidos a partir de amostras de biópsia do tecido do cólon, com a modelagem e a implementação de um classificador para identificação de anomalias, utilizando técnicas de Aprendizagem Profunda, assim como o desenvolvimento de uma ferramenta computacional, visando auxiliar o patologista durante o processo de diagnóstico de câncer do cólon. A partir dos espectros de absorbância de infravermelho de cada pixel pertencente a regiões das amostras previamente identificadas como normais, cancerígenas ou inflamadas, o classificador desenvolvido atingiu valores de acurácia para estas três classes superiores a 94%, indicando que a ferramenta possa ser considerada promissora para o auxílio ao diagnóstico de lesões do cólon, fornecendo uma segunda opinião para os especialistas.