Clasificación automática de tumores de ovario y citologías cervicovaginales a partir de imágenes ecográficas y microscópicas mediante su análisis con técnicas de aprendizaje automático.

Abstract

Aplicar técnicas de Aprendizaje Automático para la clasificación diagnóstica de imágenes ecográficas de tumores de ovario e imágenes microscópicas de citologías cervicovaginales teñidas con la técnica de Papanicolaou.

Aplicar técnicas de Aprendizaje Automático para la clasificación de descriptores geométricos obtenidos de imágenes ecográficas de tumores ováricos mediante Fast Fourier Transform y comparar con los resultados obtenidos con otros trabajos que utilizan la misma base de datos.

Crear una base de datos mediante fusión de imágenes para mezclar y superponer las células originales y aumentando el número de imágenes disponibles para clasificación.

Aplicar Deep Learning para la clasificación de las imágenes microscópicas de la base de datos de nueva creación y comparar los resultados con los obtenidos en la clasificación de la base de datos original.

METODO Se realizará el análisis de resultados de la aplicación de clasificadores basados en Aprendizaje Automático clásicos sobre una base de datos de descriptores extraídos mediante Transformada de Fourier a partir de una colección de 187 imágenes ecográficas de tumores de ovario, 112 benignos y 75 malignos, cedidos por la Universidad de Buckingham, que a su vez obtuvo las imágenes originales de la Universidad Católica de Leuven. Las características que se clasifican son Histogramas de Intensidad y Descriptores de Patrón Binario Local.

También se realizará la clasificación de imágenes microscópicas de células escamosas cervicovaginales teñidas mediante la técnica de Papanicolaou aplicando una red neuronal convolucional. La muestra es creada a partir de 10 citologías cervicovaginales procedentes del Servicio de Anatomía Patológica del Complejo Hospitalario Universitario Santa Lucía-Santa María del Rosell (Cartagena, Murcia), de donde se extrajeron 1405 células. 450 normales, 323 ASC-US, 213 L-SIL, 419 H-SIL. Además, a partir de estas células se desarrolla un sistema de fusión de imágenes para aumentar el nú mero de imágenes de la muestra, obteniendo 20.000 imágenes por cada categoría, 80.000 en total.

RESULTADOS La clasificación de características descriptivas de imágenes ecográficas de tumores de ovario ofrece resultados similares a los obtenidos por un observador experimentado cuando se aplica los métodos Linear Discriminant, Support Vector Machine y Extreme Learning Machine.

La clasificación de células escamosas cervicales mediante Deep Learning ofrece resultados interesantes, que mejoran al aumentar el tamaño muestral de entrenamiento aunque estas imágenes sean más complejas por la fusión, obteniendo resultados comparables a los obtenidos por patólogos expertos.

CONCLUSIONES Los métodos basados en Inteligencia Artificial pueden tener utilidad para el disenño de sistemas de ayuda al diagnóstico médico asistidos por ordenador, para la clasificación de imágenes ecográficas de tumores de ovario, así como para la detección de células escamosas cervicales atípicas procedentes de citologías cervicovaginales teñidas mediante la técnica de Papanicolaou.

Los descriptores Geométricos obtenidos mediante Fast Fourier Transform aportan información útil y relevante para la clasificación de ecografías de tumores de ovario, mejorando los resultados obtenidos en nuestro estudio en comparación con otros estudios anteriores realizados sobre la misma base de datos.

Se ha generado una base de datos mediante fusión de imágenes con transparencia a partir de la base de datos original de células escamosas cervicovaginales, obteniendo una colección de 80.000 imágenes de nueva creación, con mayor complejidad.

Al aplicar las técnicas de Deep Learning sobre la base de datos de nueva creación, se comprueba que aumentando el número de imágenes de muestra, independientemente de su complejidad, se mejora los resultados y la estabilidad de la clasificación.