Identificação automática de câncer experimental a partir de imagens do sistema nervoso entérico

Abstract

RESUMO: Pesquisas sobre o Sistema Nervoso Entérico (SNE) mostraram que diferentes doenças crônico- degenerativas afetam os neurônios entéricos (CNE) e as células gliais entéricas (CGE) de uma maneira observável, tanto em relação à forma quanto à quantidade. Assim, a busca por métodos automáticos que nos ajudem a avaliar quando essas células são afetadas é bastante oportuna. Além disso, a análise de imagens pré-clínicas se destaca por não ser invasiva e evitar a exposição de pacientes humanos ao risco de morte ou invalidez permanente. Sendo assim, esse trabalho objetivou identificar se uma determinada imagem do SNE pertence a um indivíduo doente, considerando um modelo experimental de câncer: o tumor de Walker-256. O conjunto de dados de imagens do SNE aqui utilizado foi criado por pesquisadores do Laboratório de Plasticidade Neural Entérica da Universidade Estadual de Maringá, sendo composto por imagens obtidas de 13 animais (ratos Wistar machos adultos) distribuídos em duas classes: controle/saudável ou doente. Para cada animal, foram obtidas 32 amostras de imagens. Cada amostra de imagem foi criada com três configurações distintas, alternando o tipo de células do SNE observadas (CNE, CGE ou ambas), totalizando 1248 imagens. Para atingir o objetivo, foram abordadas diferentes técnicas de extração de características, incluindo a extração de características nos modos handcrafted e non-handcrafted/automated learned, para posterior classificação com o algoritmo Support Vector Machines. Além de ser abordado o uso de Convolutional Neural Networks, visando avaliar o desempenho de técnicas de fine tuning por meio de transfer learning. Ao final deste trabalho, foi alcançado no melhor caso um valor de F1-Score de 0,9903 utilizando- se do descritor de textura Local Phase Quantization e a combinação de classificadores obtidos a partir dos diferentes tipos de imagem. Até onde se sabe, essa pesquisa é pioneira na investigação do conteúdo dos tipos de imagens aqui explorados, com a finalidade de categorização automática de câncer (tumor de Walker-256)

ABSTRACT: Previous research on the Enteric Nervous System has shown that different chronic degenerative diseases affect the Enteric Neurons and Enteric Glial Cells in an observable way, i.e., it affects the cells in shape and quantity. Thus, the search for automatic methods that can help us to evaluate when these cells are affected is quite opportune. Preclinical imaging analysis is outstanding because it is non-invasive and avoids exposing patients to the risk of death or permanent disability. In this work our goal was to identify if a given ENS image belonged to a sick individual, considering a specific cancer experimental model: Walker-256 tumor. The ENS image database used was created by researchers from the Enteric Neural Plasticity Laboratory of the State University of Maringá, being composed of images taken from 13 animals (male adult Wistar rats) distributed in two different classes: control/healthy or sick. For each animal, 32 image samples were obtained. Each image sample was created with three distinct configurations that targeted different ENS cell visualization (ENC, EGC, or both), for a total of 1248 images. To accomplish the aforementioned goal, different feature extraction techniques were evaluated, including the extraction of handcrafted and non-handcrafted features, for latter classification with the Support Vector Machines algorithm. Finally, the use of Convolutional Neural Networks was approached, aiming to evaluate the performance of fine tuning techniques through transfer learning. The highest F1-Score reached was 0.9903. This result was achieved with Local Phase Quantization texture features and combining the results of classifiers obtained from different image types. As far as we know, this research pioneers the investigation of the explored image types’ content, aiming to automatically classify cancer (Walker-256 tumor)