Normalização de corantes H&E por autocodificadores com análises de ensemble learning para imagens histológicas

• Processo: 22/03020-1
• Modalidade de apoio: Auxílio à Pesquisa - Projeto Inicial
• Vigência: 01 de fevereiro de 2023 - 31 de janeiro de 2026
• Área do conhecimento: Engenharias - Engenharia Biomédica
• Pesquisador responsável: Thaína Aparecida Azevedo Tosta
• Beneficiário: Thaína Aparecida Azevedo Tosta
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Pesquisadores associados: Leandro Alves Neves ; Marcelo Zanchetta Do Nascimento ; Paulo Rogério de Faria
• Bolsa(s) vinculada(s): 24/00935-4 - Normalização de corantes H&E por autocodificadores com análises de ensemble learning para imagens histológicas, BP.JC; 24/00936-0 - Normalização de corantes H&E por autocodificadores com análises de ensemble learning para imagens histológicas, BP.JC; 23/18404-2 - Sistemas computacionais para análises de imagens histopatológicas H&E públicas: uma revisão sistemática, BP.IC; 23/15834-6 - Método computacional de correspondência espectral para normalização de cores de imagens histológicas H&E por autocodificadores, BP.MS
• Assunto(s): Processamento de imagens Hematoxilina Corantes Bioatividade Diagnóstico de câncer
• Palavra(s)-Chave do Pesquisador: Autocodificadores | Correspondência espectral | Ensemble learning | Grad-CAM | Lime | Normalização de cores H&E | Processamento de imagens médicas

Resumo

Diagnósticos de câncer podem ser confirmados por análises computacionais e visuais de imagens histológicas. Entretanto, variações de cores dessas imagens podem prejudicar o desempenho de métodos computacionais. Técnicas de normalização podem ser utilizadas para corrigir essas variações provocadas pelo processo de coloração de tecidos com corantes de Hematoxilina-Eosina (H&E), comumente utilizados em práticas clínicas reais. Alguns desafios em trabalhos da literatura tornam ainda necessário o desenvolvimento de novas propostas para o aprimoramento da normalização. Para isso, propriedades biológicas dos corantes e dos tecidos devem ser utilizadas para permitir uma interpretação biológica válida dessas propostas, e informações contextuais também devem ser consideradas, pela dependência espacial de estruturas histológicas. Assim, neste projeto é apresentada uma proposta para investigar métodos de correspondência espectral que promovam a integração entre esses conceitos com o uso de autocodificadores para a normalização de imagens histológicas H&E. Esta proposta será avaliada em imagens histológicas de diferentes tipos de câncer com evidentes variações de cores, a serem mapeadas e identificadas por uma revisão sistemática. Além disso, é esperado que o uso dessa metodologia contribua para as etapas de processamento de sistemas de apoio a diagnósticos. Nessa avaliação, almeja-se obter melhores resultados com o uso da normalização nas etapas de extração de características e classificação de imagens histológicas. Para isso, este projeto propõe utilizar atributos fractais com diferentes representações, tais como LIME e Grad-CAM. Essas estratégias permitem maior interpretabilidade dos atributos extraídos, com possíveis ganhos na classificação das imagens. Além disso, essas representações serão utilizadas por redes de aprendizagem profunda a fim de avaliar seu desempenho via diferentes modelos de ensemble learning no processo de predição de classes das imagens. (AU)

Publicações científicas

(5)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SILVA, ADRIANO B.; ROZENDO, GUILHERME B.; TOSTA, THAINA A. A.; MARTINS, ALESSANDRO S.; LOYOLA, ADRIANO M.; CARDOSO, SERGIO V.; LUMINI, ALESSANDRA; NEVES, LEANDRO A.; DE FARIA, PAULO R.; DO NASCIMEMO, MARCELO Z.; et al. CNN Ensembles for Nuclei Segmentation on Histological Images of OED. 2023 IEEE 36TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, CBMS, v. N/A, p. 4-pg., 2023-01-01. (22/03020-1)

PEREIRA, DANILO C.; LONGO, LEONARDO C.; TOSTA, THAINA A. A.; MARTINS, ALESSANDRO S.; SILVA, ADRIAN B.; ROZENDO, GUILHERME B.; ROBERTO, GUILHERME F.; LUMINI, ALESSANDRA; NEVES, LEANDRO A.; DO NASCIMENTO, MARCELO Z.; et al. Handcrafted features vs deep-learned features: Hermite Polynomial Classification of Liver Images. 2023 IEEE 36TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, CBMS, v. N/A, p. 6-pg., 2023-01-01. (22/03020-1)

MIGUEL, JOAO PEDRO MIRANDA; NEVES, LEANDRO ALVES; MARTINS, ALESSANDRO SANTANA; DO NASCIMENTO, MARCELO ZANCHETTA; TOSTA, THAINA A. AZEVEDO. Analysis of neural networks trained with evolutionary algorithms for the classification of breast cancer histological images. EXPERT SYSTEMS WITH APPLICATIONS, v. 231, p. 14-pg., 2023-06-16. (22/03020-1)

TOSTA, THAINA A. AZEVEDO; FREITAS, ANDRE DIAS; DE FARIA, PAULO ROGERIO; NEVES, LEANDRO ALVES; MARTINS, ALESSANDRO SANTANA; DO NASCIMENTO, MARCELO ZANCHETTA. A stain color normalization with robust dictionary learning for breast cancer histological images processing. Biomedical Signal Processing and Control, v. 85, p. 18-pg., 2023-04-27. (22/03020-1)

DE OLIVEIRA, CLEBER I.; DO NASCIMENTO, MARCELO Z.; ROBERTO, GUILHERME F.; TOSTA, THAINA A. A.; MARTINS, ALESSANDRO S.; NEVES, LEANDRO A.. Hybrid models for classifying histological images: An association of deep features by transfer learning with ensemble classifier. MULTIMEDIA TOOLS AND APPLICATIONS, v. N/A, p. 24-pg., 2023-08-09. (22/03020-1)