MÉTODO DE APRENDIZAJE PROFUNDO SEMISUPERVISADO PARA LA REDUCCIÓN DE FALSOS POSITIVOS , RELACIONADOS CON MITOSIS, EN SECUENCIAS HISTOPATOLÓGICAS.

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorRomo Bucheli, David Edmundo
dc.contributor.authorCastro Duitama, Santiago Andrés
dc.contributor.evaluatorGonzález Gómez, Andrés Leonardo
dc.contributor.evaluatorBacca Quintero, Jorge Luis
dc.date.accessioned2022-09-12T17:59:16Z
dc.date.available2022-09-12T17:59:16Z
dc.date.created2022-09-07
dc.date.issued2022-09-07
dc.description.abstractEl cáncer de mama es la principal causa de muerte por cáncer en las mujeres de todo el mundo. La detección, el conteo y la caracterización de la mitosis es uno de los biomarcadores más predominantes de la enfermedad que permite diagnosticar y cuantificar la agresividad del cáncer y estimar el pronóstico. Sin embargo, la localización de la mitosis sigue siendo un desafío, inclusive para expertos patólogos, donde se reporta una variabilidad interobservador de hasta el 20%, con típicas confusiones entre células sanas y apoptóticas. En la literatura se han propuesto estrategias computacionales para apoyar y soportar la tarea de la detección de mitosis, con resultados destacables por las representaciones profundas que permiten abarcar una amplia variabilidad visual de las células mitóticas, en tareas discriminativas. Estas estrategias, sin embargo, siguen siendo dependientes de un amplio número de observaciones etiquetadas, las texturas observadas en datasets específicos, lo cual puede limitar la representación y sesgar la clasificación. Además, muchas de las estrategias propuestas incurren en un tiempo de estimación exagerado, lo cual puede limitar su implementación en ambientes reales. Este trabajo introduce un esquema semi-supervisado que aprende a localizar patrones mitóticos partiendo de un conjunto limitado de datos. En una etapa inicial, la representación es utilizada para identificar falsos patrones mitóticos, que complementan la representación y permiten propagar pseudo-etiquetas, con su valor de probabilidad en el restante conjunto de entrenamiento. Las muestras falsas positivas y falsas negativas resultantes, se consideran aquí más desafiantes y provechosas para el ajuste de la representación. El enfoque propuesto fue validado con el conjunto de datos público ICPR, logrando resultados competitivos de 0,74 de precisión y 0,78 de sensitividad. Además, el enfoque propuesto logra un tiempo medio de inferencia de 5.21 segundos (en un lote de 240), mientras que otros enfoques tardan un promedio de 30 minutos.
dc.description.abstractenglishBreast cancer is the leading cause of cancer deaths in women worldwide. Detection, counting and characterization of mitosis is one of the most predominant biomarkers of the disease that allows diagnosis and quantification of cancer aggressiveness and estimation of prognosis. However, mitosis localization remains a challenge, even for expert pathologists, where interobserver variability of up to 20% is reported, with typical confounding between healthy and apoptotic cells. Computational strategies have been proposed in the state of the art to support and support the task of mitosis detection, with remarkable results for deep representations that allow to encompass a wide visual variability of mitotic cells, in discriminative tasks. These strategies, however, remain dependent on many labeled observations, the textures observed in specific datasets, which may limit the representation and bias the classification. In addition, many of the proposed strategies incur exaggerated estimation time, which may limit their implementation in real environments. This work introduces a semi-supervised scheme that learns to locate mitotic patterns from a limited data set. In an initial stage, the representation is used to identify false mitotic patterns, which complement the representation and allow propagating pseudo-labels, with their probability value on the remaining training set. The resulting false-positive and false-negative samples are here considered more challenging and profitable for the fitting of the representation. The proposed approach was validated with the public ICPR dataset, achieving competitive results of 0.74 accuracy and 0.78 sensitivity. In addition, the proposed approach achieves an average inference time of 5.21 seconds (on a batch of 240), while other approaches take an average of 30 minutes.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
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/20.500.14071/11343
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
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.subjectMitosis
dc.subjectRepresentaciones Profundas
dc.subjectAprendizaje Semi-supervisado
dc.subjectMuestras histológicas
dc.subjectNúcleos celulares
dc.subject.keywordMitosis
dc.subject.keywordDeep learning
dc.subject.keywordSemi-supervised approach
dc.subject.keywordHistological samples
dc.subject.keywordCell nuclei
dc.subject.keywordConvolutional networks
dc.titleMÉTODO DE APRENDIZAJE PROFUNDO SEMISUPERVISADO PARA LA REDUCCIÓN DE FALSOS POSITIVOS , RELACIONADOS CON MITOSIS, EN SECUENCIAS HISTOPATOLÓGICAS.
dc.title.englishSEMI-SUPERVISED DEEP LEARNING METHOD FOR THE IDENTIFICATION OF MITOSES IN HISTOPATHOLOGICAL IMAGES.
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
Documento.pdf
Size:
72.5 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
141.69 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
379.5 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
Ingeniería de Sistemas