Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Martínez Carrillo, FabioRomo Bucheli, David EdmundoCastro Duitama, Santiago Andrés2022-09-122022-09-122022-09-072022-09-07https://noesis.uis.edu.co/handle/20.500.14071/11343El 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.application/pdfspainfo:eu-repo/semantics/openAccessMitosisRepresentaciones ProfundasAprendizaje Semi-supervisadoMuestras histológicasNúcleos celularesUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coMitosisDeep learningSemi-supervised approachHistological samplesCell nucleiConvolutional networkshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)