Sistema de apoio à decisão na classificação de imagens histológicas em epitélio oral displásico ou não displásico

Abstract

A Displasia Epitelial (DE) é uma alteração tecidual muito frequente em lesões que precedem o câncer de boca, o qual apresenta uma alta taxa de mortalidade. Assim, o diagnóstico precoce de DE é muito importante para a sobrevivência e para um adequado tratamento. O diagnóstico de DE é fornecido por patologistas bucais com base na análise visual de imagens histopatológicas em busca de alterações no epitélio. No entanto, essa análise pode ser relativamente subjetiva, e fortemente dependente da experiência e do estado emocional do patologista durante o processo de diagnóstico. O desenvolvimento de técnicas de auxílio ao diagnóstico de DE com o objetivo de torná-lo menos subjetivo e suscetível à variabilidade do estado emocional do patologista torna-se importante nesse contexto. Este trabalho buscou desenvolver um sistema de auxílio para a classificação de epitélio displásico e não displásico, de baixo custo computacional, fazendo uso do conhecimento do patologista para possibilitar soluções eficazes sem uma complexidade excessiva. Devido à não-linearidade do problema de classificação, e considerando a inexistência de consenso a respeito de um conjunto de características convencionais da imagem histopatológica que definitivamente facilitem o trabalho de algoritmos de classificação, optou-se pela solução usando uma rede neural artificial multicamada (RNA MLP), associada à seleção da região do epitélio definida a partir dos conhecimentos dos patologistas. A avaliação do desempenho da solução proposta baseou-se em resultados estatísticos de um grande número de realizações, de forma a conferir significância estatística às conclusões extraídas do trabalho. Os resultados mostraram que duas das RNAs MLP implementadas apresentaram uma acurácia de 87% na etapa de avaliação de desempenho das redes, desempenho esse semelhante ao obtido por três avaliadores humanos que classificaram os mesmos casos testados. Verificou-se também que a solução proposta levou a resultados bem próximos daqueles obtidos por uma rede neural convolucional (CNN) implementada pelo método de transferência de aprendizado, solução essa considerada o estado da arte em classificação de imagens com um número limitado de dados de treinamento. Esse desempenho, entretanto, foi obtido com uma complexidade de operação pelo menos 100 vezes menor do que a necessária para a CNN pré-treinada.

Abstract: The Epithelial Dysplasia (ED) is a tissue alteration that is very common in lesions preceding oral cancer, which presents a high mortality rate. Thus, early diagnosis of ED is very important for survival and for a proper treatment. The diagnosis of ED is provided by oral pathologists based on visual analysis of histopathological images for changes in the epithelium. However, that analysis may be relatively subjective, and heavily dependent on the experience and emotional state of the pathologist during the diagnosis process. The development of techniques to assist in the diagnosis of ED, aiming to make it less subjective and susceptible to variability of the pathologist emotional state, becomes important in this context. This study aimed to develop a low computational cost system to aid the classification of dysplasic and non-dysplasic epithelia, making use of the pathologist knowledge to enable solutions without an excessive complexity. Because of the nonlinear nature of the classification problem, and considering the lack of consensus about a set of conventional features of histopathological image that definitively facilitate the work of classification algorithms, we opted for the solution using a Multilayer Artificial Neural Network (MLP-ANN), associated with the selection of the epithelium region defined with the help of the pathologist knowledge. The performance evaluation of the proposed solution was based on statistical results from a large number of realizations to confer statistical significance to the conclusions drawn from the work. The results showed that two of the implemented MLP-ANN presented an average accuracy of 87% at the networks performance assessment stage, a performance similar to that achieved by three human evaluators who classified the same tested cases. It was found also found that the solution proposed led to results very close to those obtained by a Convolutional Neural Network (CNN) implemented by the learning transfer method, which is considered the state of the art solution in image classification problems with a limited amount of training data. This performance, however, was obtained with an operation complexity at least 100 times less than that necessary for the pre-trained CNN.