Redes DenseNet com Mecanismos de Atenção Múltipla aplicadas à Classificação Automática de Câncer Peniano em Imagens Histopatológicas

• João Guilherme Araujo do Vale UFMA
• Italo Francyles Santos da Silva UFMA
• Caio Eduardo Falcão Matos UFMA
• Geraldo Braz Júnior UFMA
• Marcos Gabriel Mendes Lauande UFMA

DOI: https://doi.org/10.5753/sbcas.2024.2755

Resumo

O carcinoma peniano, conhecido como câncer de pênis, é uma neoplasia maligna que afeta predominantemente homens com mais de 50 anos. O diagnóstico tardio acarreta complicações significativas que impactam profundamente a vida dos pacientes em termos psicológicos, emocionais e sociais. Exames como a análise histopatológica são fundamentais para o diagnóstico precoce, porém, requerem tempo e profissionais altamente qualificados. O uso de aprendizado de máquina profundo, por meio de redes neurais convolucionais, apresenta-se como uma abordagem altamente aplicável neste contexto.Neste trabalho, foram propostos dois métodos para a classificação automática do câncer peniano, utilizando redes neurais DenseNet com mecanismos de atenção em sua arquitetura. Como resultado, o melhor modelo alcançou um F1-Score de 93,1% na ampliação de 100x.

Referências

Belfort, F., Silva, I., Silva, A., and Paiva, A. (2023). Detecção de câncer peniano em imagens histopatológicas usando redes neurais convolucionais em cascata. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 328–339, Porto Alegre, RS, Brasil. SBC.

Erickson, B. J., Korfiatis, P., Akkus, Z., and Kline, T. L. (2017). Machine learning for medical imaging. Radiographics, 37(2):505–515.

Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708.

INCA (2022). Câncer de pênis: Instituto nacional do câncer inca. Acesso em 13/05/2024.

Joseph, F. J. J., Nonsiri, S., and Monsakul, A. (2021). Keras and tensorflow: A hands-on experience. Advanced deep learning for engineers and scientists: A practical approach, pages 85–111.

Lauande, M. G. M., Teles, A. M., da Silva, L. L., Matos, C. E. F., Junior, G. B., de Paiva, A. C., de Almeida, J. D. S., da Costa Oliveira, R. M. G., Brito, H. O., Nascimento, A. G., et al. (2022). Classification of histopathological images of penile cancer using densenet and transfer learning. In VISIGRAPP (4: VISAPP), pages 976–983.

Loshchilov, I. and Hutter, F. (2017). Decoupled weight decay regularization. arXiv preprint arXiv:1711.05101.

Machado, A. and Veloso, L. (2021). Classificação de distúrbios pulmonares em radiografias de tórax usando redes convolucionais. In Simpósio Brasileiro De Telecomunicações E Processamento De Sinais. SBC.

Melo, R. C., Raas, M. W., Palazzi, C., Neves, V. H., Malta, K. K., and Silva, T. P. (2020). Whole slide imaging and its applications to histopathological studies of liver disorders. Frontiers in medicine, 6:310.

MS (2022). Câncer de pênis: Saúde de a à z, ministério da saúde. Acesso em 13/05/2024.

Oliveira, M. V., Matos, C. E. F., Júnior, G. B., de Paiva, A. C., de Almeida, J. D. S., Costa, G., Levy, M., and Freitas, M. (2022). Ppm-unet: Uma rede neural convolucional para a segmentação de rins em imagens de tc. In Anais do XXII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 268–276. SBC.

Tang, F., Wang, L., Ning, C., Xian, M., and Ding, J. (2023). Cmu-net: A strong convmixerbased medical ultrasound image segmentation network. In 2023 IEEE 20th International Symposium on Biomedical Imaging (ISBI). IEEE.

Thomas, A., Necchi, A., Muneer, A., Tobias-Machado, M., Tran, A. T. H., Van Rompuy, A.-S., Spiess, P. E., and Albersen, M. (2021). Penile cancer. Nature Reviews Disease Primers, 7(1):11.

Vahadane, A., Peng, T., Sethi, A., Albarqouni, S., Wang, L., Baust, M., Steiger, K., Schlitter, A. M., Esposito, I., and Navab, N. (2016). Structure-preserving color normalization and sparse stain separation for histological images. IEEE transactions on medical imaging, 35(8):1962–1971.