Representaciones profundas débilmente supervisadas para la segmentación de pólipos colorrectales en secuencias continuas de colonoscopia
No Thumbnail Available
Date
2023-08-06
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
El cáncer colorrectal es el tercer cáncer más diagnosticado a nivel mundial. Los pólipos se consideran los principales biomarcadores de este cáncer, observándose a partir de colonoscopias. Sin embargo, la detección y caracterización de estas lesiones es un reto, incluso para los gastroenterólogos expertos, debido a la variabilidad en forma y apariencia, los artefactos del tracto intestinal, y las observaciones ruidosas de las colonoscopias. De hecho, estudios clínicos revelan una pérdida de pólipos de hasta el 26% durante una rutina clínica, lo que repercute en el diagnóstico precoz y el tratamiento de los pacientes. Algunos enfoques computacionales han apoyado la caracterización de pólipos, pero dependen de representaciones supervisadas, trabajando en secuencias con pólipos relativamente bien definidos. Alejadas de tal suposición, las colonoscopias en escenarios reales son secuencias largas donde los pólipos son observaciones aisladas y escasas en cuanto al tracto intestinal. Este trabajo propone una estrategia de atención cruzada multi-cabeza para segmentar pólipos bajo un esquema débilmente supervisado, incluyendo fotogramas de fondo. Mientras que el mecanismo de atención extrae patrones del pólipo aprendiendo relaciones no locales de los píxeles a través de convoluciones dilatadas, la regla de minimización diferencia entre imágenes con pólipo y fondo. La validación del método propuesto se realizó en un estudio retrospectivo que incluye 40 colonoscopias (∼15.000 fotogramas por video). A pesar de la aproximación del estado del arte, este conjunto de datos representa el primer esfuerzo para aproximar la segmentación en escenarios reales. El método propuesto obtiene 70% de precisión y 75% de sensibilidad en secuencias largas, mostrando un rendimiento destacable. Asímismo, el método fue validado en conjuntos de datos públicos superando al estado del arte con una precisión de 92% (ASU-Mayo) y 96% (CVC-Video).
Description
Keywords
Cáncer colorrectal, Modelos débilmente supervisados, Mapas de saliencia, Segmentación de pólipos, Secuencias continuas de colonoscopia