Detección de pólipos en secuencias largas de colonoscopia  siguiendo esquemas no supervisados.

Ortiz Celis, Daniel Eduardo

Detección de pólipos en secuencias largas de colonoscopia siguiendo esquemas no supervisados.

dc.contributor.advisor	Martínez Carrillo, Fabio
dc.contributor.advisor	Rangel Pieschacón, Edgar Yesid
dc.contributor.author	Ortiz Celis, Daniel Eduardo
dc.contributor.evaluator	Bacca Quintero, Jorge Luis
dc.contributor.evaluator	Pertuz Arroyo, Said David
dc.date.accessioned	2024-05-17T12:13:04Z
dc.date.available	2024-05-17T12:13:04Z
dc.date.created	2024-05-14
dc.date.issued	2024-05-14
dc.description.abstract	En Colombia, durante el año 2020, se diagnosticaron 11 mil nuevos casos de cáncer de colon, siendo el tercer tipo de cáncer con mayor incidencia a nivel nacional. Además, mundialmente se reportaron cerca de 2 millones de casos nuevos, siendo el tercer tipo de cáncer con mayor incidencia. Los pólipos observados durante procedimientos de colonoscopia son los principales precursores de la enfermedad y su detección temprana está asociada con mejores pronósticos. Sin embargo, la tarea de detección de estas masas es desafiante, incluso para expertos gastroenterólogos, reportando hasta un 26% de pólipos no clasificados. Las herramientas computacionales para la detección y caracterización de pólipos han permitido soportar estos procedimientos, pero siguen reportando limitaciones en ambientes reales debido a movimientos de cámara, similitud textural con pliegues intestinales, entre otros artefactos de la escena. Además, la escasez es un desafió adicional, apareciendo en menos del 10% de una secuencia de colonoscopia. En este trabajo se exploraron dos estrategias de entrenamiento débilmente supervisadas para la detección de cáncer colorrectal. Primero, se utiliza un modelo del estado del arte basado en una arquitectura multiatención, que se entrenó bajo un esquema de aprendizaje semisupervisado, realizando una tarea de segmentación binaria de pólipos. Durante este proceso, solo se incluyó un subconjunto de entrenamiento para simular escenarios con, complementando la información con pseudoetiquetas que complementan observaciones para ajustar el modelo. También en este trabajo se adopto la arquitectura de aprendizaje profunda, para ajustarla en un esquema autosupervisado, siguiendo una tarea de reconstrucción. De esta arquitectura se implementó una estrategia para la detección (patrones no vistos durante el entrenamiento) utilizando únicamente datos del tracto intestinal. Estos dos enfoques fueron validados en dos conjuntos diferentes de datos, públicos y secuencias largas de colonoscopia, para evaluar el desempeño y generalización del modelo.
dc.description.abstractenglish	In Colombia, during 2020, 11 thousand new cases of colon cancer were diagnosed, making it the third most common type of cancer nationwide. Additionally, globally, nearly 2 million new cases were reported, making it the third most common type of cancer in terms of incidence. Polyps observed during colonoscopy procedures are the main precursors of the disease, and their early detection is associated with better outcomes. However, the task of detecting these masses is challenging, even for expert gastroenterologists, with up to 26% of polyps remaining unclassified. Computational tools for polyp detection and characterization have supported these procedures, but they still report limitations in real-world environments due to camera movements, textural similarity with intestinal folds, among other scene artifacts. Moreover, sparsity is an additional challenge, as it appears in less than 10% of a colonoscopy sequence. In this work, two weakly supervised training strategies for colorectal cancer detection were explored. First, a state-of-the-art model based on a multi-attention architecture was used, trained under a semi-supervised learning scheme, performing a binary polyp segmentation task. During this process, only a subset of training data was included to simulate scenarios with limited annotations, complementing the information with pseudolabels to enhance model fitting. Additionally, in this work, a deep learning architecture was adapted and fine-tuned in a self-supervised scheme, following a reconstruction task. From this architecture, a strategy for detection (unseen patterns during training) was implemented using solely intestinal tract data. These two approaches were validated on two different datasets, public and long colonoscopy sequences, to assess model performance and generalization.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/42411
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.title	Detección de pólipos en secuencias largas de colonoscopia siguiendo esquemas no supervisados.
dc.title.english	Polyp detection in long colonoscopy sequences following unsupervised schemes.
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado