Utilização de redes neurais convolucionais na detecção, segmentação e classificação de núcleos celulares para identificação de aneuploidia

Abstract

O câncer de colo de útero é o quarto tipo de câncer mais comum entre as mulheres. No Brasil, esta doença foi a causa da morte de 6596 mulheres em 2019. Uma das maneiras de realizar o diagnóstico é através do teste de Papanicolau. A biópsia ainda é a maneira mais comum para a detecção precoce, apesar de ser um método invasivo. Neste sentido, pesquisadores vêm buscando maneiras não-invasivas de auxiliar no diagnóstico deste tipo de doença, e os estudos na área de Citologia tem se mostrado promissores. Nos dias atuais, utiliza-se a Citometria de DNA como principal abordagem para a detecção da quantidade anormal de DNA nas células, processo conhecido como Aneuploidia. Este pode ser um indicativo de lesões pré-cancerosas. Porém, ainda é necessário que esta análise celular seja feita por profissionais treinados. O processo pode ser cansativo e está sujeito a erros. No entanto, esta tarefa é passível de automação, auxiliando na diminuição da subjetividade do processo, dos possíveis erros e do tempo necessário para realizar a análise. Nos últimos anos, as técnicas de Deep Learning têm obtido sucesso em resolver problemas que resistiram às melhores tentativas da comunidade de Inteligência Artificial. Atualmente, as Redes Neurais Convolucionais vêm sendo utilizadas em diversas aplicações, nas quais podemos incluir também a área de saúde. Neste contexto, este trabalho tem como objetivo apresentar um pipeline completo para automação da classificação de núcleos celulares preparados com o corante de Feulgen, visando encontrar aneuploidia de maneira não-invasiva. Será apresentada uma comparação de diferentes abordagens (segmentação semântica, detecção de objetos e classificação de imagens) com onze arquiteturas de redes neurais diferentes. Os dados utilizados são provenientes de pacientes do Hospital Universitário da UFSC, onde foi construído um conjunto de dados anotados e avaliados por profissionais. Os resultados obtidos mostram que, no geral, as redes neurais apresentam bom desempenho em relação a detecção/segmentação (localização) dos núcleos, porém a diferenciação entre as classes apresentou métricas ruins. Dentre as abordagens comparadas neste trabalho, a classificação de imagens foi a que apresentou os melhores resultados. Concluiu-se que estes algoritmos ainda não estão prontos para serem implementados na rotina clínica. No entanto, este trabalho aponta um possível caminho a ser seguido para investigação de uma abordagem objetiva e não-invasiva para detecção precoce de aneuploidia.

Abstract: Cervical cancer is the fourth most recurrent type of cancer among women. In Brazil, this disease was the cause of death of 6596 women in 2019. One of the ways to make the diagnosis is through the Pap test. The biopsy is still the most recurrent way of early detection, despite being an invasive method. Researchers have been looking for non-invasive methods to help in the diagnosis of this type of disease, and studies in the Cytology field have shown promising results. Nowadays, DNA cytometry is used as the main approach for detecting the abnormal amount of DNA in cells, a process known as Aneuploidy. This can be an indicative of precancerous lesions. However, this cell analysis still needs to be performed by trained professionals. The process can be exhaustive and error-prone. However, this task can be automated, helping on reducing the subjectivity of the process, possible errors, and the time needed to finish the analysis. In the last few years, Deep Learning techniques have been successful in solving problems that have resisted the best attempts of the Artificial Intelligence community. Currently, Convolutional Neural Networks are being used in several applications, in which we can also include the medical area. In this context, this work aims to present a complete pipeline for the automation of the classification of cell nuclei prepared with Feulgen stain, aiming to find aneuploidy in a non-invasive way. A comparison of different approaches (semantic segmentation, object detection, and image classification) with eleven different neural network architectures will be presented. The data used in this work was gathered from patients at UFSC's University Hospital, where a dataset annotated and evaluated by professionals was built. The obtained results show that, in general, neural networks present a good performance on nuclei detection/segmentation (localization), but the differentiation between classes presented poor metrics. Among the approaches compared in this work, image classification presented the best results. It was concluded that these algorithms are not yet ready to be implemented in a clinical routine. However, this work points to a possible way for the investigation of an objective and non-invasive approach for the early detection of aneuploidy.