Representaciones profundas débilmente supervisadas para la segmentación de pólipos colorrectales en secuencias continuas de colonoscopia

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorRuiz García, Lina Marcela
dc.contributor.evaluatorGélvez Barrera, Tatiana Carolina
dc.contributor.evaluatorLarrabide, Ignacio
dc.date.accessioned2023-08-08T21:26:29Z
dc.date.available2023-08-08T21:26:29Z
dc.date.created2023-08-06
dc.date.issued2023-08-06
dc.description.abstractEl 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).
dc.description.abstractenglishColorectal cancer is the third most commonly diagnosed cancer worldwide. Polyps are considered the main biomarkers of this cancer, being typically observed from optical colonoscopies. Nonetheless, the detection and shape characterization is challenging, even for expert gastroenterologists, because of shape and appearance variability, intestinal tract artifacts, and noise observations from colonoscopies. In fact, clinical studies revealed polyp loss of up to 26% during a clinical routine, impacting the early diagnosis and patient treatment. Some computational approaches have evidenced remarked support for polyp characterization but rely dependent on supervised representations, working on scenarios with relatively well-defined polyp presence. Far from such an assumption, colonoscopies in real scenarios are long sequences where polyps are isolated and scarce observations concerning the intestinal tract. This work introduces a multi-head cross-attention strategy to segment polyps under a weakly supervised scheme, including unlabeled background frames. While the cross-attention mechanism recovers polyp patterns by learning the non-local relationship of pixels through dilated convolutions, the minimization rule learns to differentiate between frames with polyp and background. The proposed approach is validated in a retrospective study that includes 40 long colonoscopy sequences (on average 15.000 frames per video). Despite the approximation of state-of-the-art, this dataset represents the first effort to approximate the segmentation problem in real scenarios. The proposed method achieves a precision of 70%, and a recall of 75% in long sequences, showing remarkable performance. Also, the proposed approach was validated on five public datasets outperforming the state-of-the-art with a precision of 92% (ASU-Mayo) and 96% (CVC-Video).
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001711222
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.description.googlescholarhttps://scholar.google.com/citations?user=hrOgEbEAAAAJ&hl=es
dc.description.orcidhttp://orcid.org/0000-0002-8158-5279
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/14750
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectCáncer colorrectal
dc.subjectModelos débilmente supervisados
dc.subjectMapas de saliencia
dc.subjectSegmentación de pólipos
dc.subjectSecuencias continuas de colonoscopia
dc.subject.keywordColorectal Cancer
dc.subject.keywordWeakly Supervised Models
dc.subject.keywordSaliency Maps
dc.subject.keywordPolyp Segmentation
dc.subject.keywordColonoscopy Continuous Sequences
dc.titleRepresentaciones profundas débilmente supervisadas para la segmentación de pólipos colorrectales en secuencias continuas de colonoscopia
dc.title.englishWeakly Supervised Deep Representations to Segment Colorectal Polyps in Continuous Colonoscopy Sequences
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
12.3 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
134.56 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
393.11 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería de Sistemas e Informática