A Deep Features-Based Approach for Serous Ovarian Cancer Diagnosis in Histopathological Images
Abstract
Serous ovarian carcinoma (SOC) is an aggressive subtype of ovarian cancer with a challenging diagnosis in histopathological images. This work proposes an approach to define the optimal color scheme for image representation and extract Deep Features. The experiments demonstrated that the proposed method outperforms other Convolutional Neural Network (CNN)-based approaches, achieving 94.99% accuracy. Additionally, it proved effective in differentiating SOC from other subtypes, such as clear cell, endometrioid, and mucinous carcinomas. These results highlight the potential of the proposed approach to assist in SOC diagnosis, providing a promising tool for clinical decision support.References
Abd El-Latif, E. I., El-dosuky, M., Darwish, A., and Hassanien, A. E. (2024). A deep learning approach for ovarian cancer detection and classification based on fuzzy deep learning. Scientific Reports, 14(26463).
Appel, M., Monego, H. I., Ramos, J. G. L., Poli, M. E., Stein, A. T., Silva, J. M., Bernd, F. F., and Bersch, G. P. (2009). Screening and diagnosis of ovarian cancer. AMRIGS Journal, 53:1.
Carvalho, E. D., Antonio Filho, O., Silva, R. R., Araujo, F. H., Diniz, J. O., Silva, A. C., Paiva, A. C., and Gattass, M. (2020). Breast cancer diagnosis from histopathological images using textural features and cbir. Artificial intelligence in medicine, 105:101845.
da Cruz, L. B., Araújo, J. D. L., Ferreira, J. L., Diniz, J. O. B., Silva, A. C., de Almeida, J. D. S., de Paiva, A. C., and Gattass, M. (2020). Kidney segmentation from computed tomography images using deep neural network. Computers in Biology and Medicine, 123:103906.
da Cruz, L. B., Júnior, D. A. D., Diniz, J. O. B., Silva, A. C., de Almeida, J. D. S., de Paiva, A. C., and Gattass, M. (2022). Kidney tumor segmentation from computed tomography images using deeplabv3+ 2.5 d model. Expert Systems with Applications, 192:116270.
da S. Viana, P., da Cruz, L. B., Dias Jr, D. A., and Diniz, J. O. B. (2024). Anomalies diagnostic in endoscopic images using deep learning ensemble models. In Brazilian Conference on Intelligent Systems, pages 110–124. Springer.
Diniz, J. O., Quintanilha, D. B., de Carvalho Filho, A. O., Gomes Jr, D. L., Silva, A. C., Braz Jr, G., de Paiva, A. C., and Luz, D. d. S. (2023). Detecçao de covid-19 em imagens de raio-x de tórax através de seleçao automática de pré-processamento e de rede neural convolucional. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 162–173. SBC.
Diniz, J. O., Ribeiro, N. P., Junior, D. A. D., da Cruz, L. B., de Carvalho Filho, A. O., Gomes Jr, D. L., Silva, A. C., and de Paiva, A. C. (2024). Efficientxyz-deepfeatures: seleção de esquema de cor e arquitetura deep features na classificação de câncer de cólon em imagens histopatológicas. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 82–93. SBC.
El-Bendary, N., Belal, N. A., et al. (2018). Epithelial ovarian cancer stage subtype classification using clinical and gene expression integrative approach. Procedia Computer Science, 131:23–30.
Ferreira, P. A. R., Sallum, L. F. T. A., Sarian, L. O., Andrade, L. A., and Derchain, S. (2012). Carcinoma de ovário seroso e não seroso: tipo histológico em relação ao grau de diferenciação e prognóstico. Revista Brasileira de Ginecologia e Obstetrícia, 34:196–202.
Gonzalez, R. C. and Woods, R. E. (2018). Digital Image Processing. Pearson, 4th edition.
Gonçalves, J., Souza, D., Santos, C., Nascimento, C., Cruz, L., Junior, D. D., and Diniz, J. (2024). D.iagnóstica: Ferramenta cadx para diagnóstico de doenças pulmonares em imagens radiológicas. In Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 214–225, Porto Alegre, RS, Brasil. SBC.
Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-ray images, using deep features and pso-optimized xgboost. Expert Systems with Applications, 183:115452.
Junior, D. D., Cruz, L., and Diniz, J. (2024). Classificação da camada lipídica do filme lacrimal usando k-means e deep learning. In Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 1–12, Porto Alegre, RS, Brasil. SBC.
Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-rayimages, using deep features and pso-optimized xgboost. Expert Systems With Applications, 183.
Kasture, K. (2021). Ovarian cancer & subtypes dataset histopathology.
Lakshmanan, S., Nagaraja, P., Rani, M. M. S., and Shanmugavadivu, P. (2023). Deep convolutional neural network for the prediction of ovarian cancer. In Combating Women’s Health Issues with Machine Learning, pages 107–115. CRC Press.
Martelo, M. P., López, V. C., González, M. M., and Bañuelos, J. C. (2021). Cáncer de ovario. Medicine - Programa de Formación Médica Continuada Acreditado, 13(27).
Neto, C. M. S., Silva, A. L., Pessoa, A. C., Quintanilha, D. B., de Almeida, J. D., Junior, G. B., and Diniz, J. O. (2024). Diagnóstico de tuberculose em imagens de radiografia utilizando cvt. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 342–353. SBC.
Rodrigues, G. J. R., Lasmar, A. L. T., Rezende, B. E. S., Martins, B. C. S., Mussi, H. G., Rabello, L. N., Campagnani, S. M., and Santos, K. F. (2021). The relevance of implementing an ovarian cancer screening program: a narrative review. Electronic Journal of Health Archive, 13:1.
Sadeghi, M. H., Sina, S., Omidi, H., Farshchitabrizi, A. H., and Alavi, M. (2024). Deep learning in ovarian cancer diagnosis: a comprehensive review of various imaging modalities. Polish journal of radiology, 89:e30.
Wang, Y., Farnell, D., Farahani, H., Nursey, M., Tessier-Cloutier, B., Jones, S. J. M., Huntsman, D. G., Gilks, C. B., and Bashashati, A. (2020). Classification of epithelial ovarian carcinoma whole-slide pathology images using deep transfer learning. Medical Imaging with Deep Learning (MIDL) 2020 - Short Paper.
Appel, M., Monego, H. I., Ramos, J. G. L., Poli, M. E., Stein, A. T., Silva, J. M., Bernd, F. F., and Bersch, G. P. (2009). Screening and diagnosis of ovarian cancer. AMRIGS Journal, 53:1.
Carvalho, E. D., Antonio Filho, O., Silva, R. R., Araujo, F. H., Diniz, J. O., Silva, A. C., Paiva, A. C., and Gattass, M. (2020). Breast cancer diagnosis from histopathological images using textural features and cbir. Artificial intelligence in medicine, 105:101845.
da Cruz, L. B., Araújo, J. D. L., Ferreira, J. L., Diniz, J. O. B., Silva, A. C., de Almeida, J. D. S., de Paiva, A. C., and Gattass, M. (2020). Kidney segmentation from computed tomography images using deep neural network. Computers in Biology and Medicine, 123:103906.
da Cruz, L. B., Júnior, D. A. D., Diniz, J. O. B., Silva, A. C., de Almeida, J. D. S., de Paiva, A. C., and Gattass, M. (2022). Kidney tumor segmentation from computed tomography images using deeplabv3+ 2.5 d model. Expert Systems with Applications, 192:116270.
da S. Viana, P., da Cruz, L. B., Dias Jr, D. A., and Diniz, J. O. B. (2024). Anomalies diagnostic in endoscopic images using deep learning ensemble models. In Brazilian Conference on Intelligent Systems, pages 110–124. Springer.
Diniz, J. O., Quintanilha, D. B., de Carvalho Filho, A. O., Gomes Jr, D. L., Silva, A. C., Braz Jr, G., de Paiva, A. C., and Luz, D. d. S. (2023). Detecçao de covid-19 em imagens de raio-x de tórax através de seleçao automática de pré-processamento e de rede neural convolucional. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 162–173. SBC.
Diniz, J. O., Ribeiro, N. P., Junior, D. A. D., da Cruz, L. B., de Carvalho Filho, A. O., Gomes Jr, D. L., Silva, A. C., and de Paiva, A. C. (2024). Efficientxyz-deepfeatures: seleção de esquema de cor e arquitetura deep features na classificação de câncer de cólon em imagens histopatológicas. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 82–93. SBC.
El-Bendary, N., Belal, N. A., et al. (2018). Epithelial ovarian cancer stage subtype classification using clinical and gene expression integrative approach. Procedia Computer Science, 131:23–30.
Ferreira, P. A. R., Sallum, L. F. T. A., Sarian, L. O., Andrade, L. A., and Derchain, S. (2012). Carcinoma de ovário seroso e não seroso: tipo histológico em relação ao grau de diferenciação e prognóstico. Revista Brasileira de Ginecologia e Obstetrícia, 34:196–202.
Gonzalez, R. C. and Woods, R. E. (2018). Digital Image Processing. Pearson, 4th edition.
Gonçalves, J., Souza, D., Santos, C., Nascimento, C., Cruz, L., Junior, D. D., and Diniz, J. (2024). D.iagnóstica: Ferramenta cadx para diagnóstico de doenças pulmonares em imagens radiológicas. In Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 214–225, Porto Alegre, RS, Brasil. SBC.
Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-ray images, using deep features and pso-optimized xgboost. Expert Systems with Applications, 183:115452.
Junior, D. D., Cruz, L., and Diniz, J. (2024). Classificação da camada lipídica do filme lacrimal usando k-means e deep learning. In Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 1–12, Porto Alegre, RS, Brasil. SBC.
Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-rayimages, using deep features and pso-optimized xgboost. Expert Systems With Applications, 183.
Kasture, K. (2021). Ovarian cancer & subtypes dataset histopathology.
Lakshmanan, S., Nagaraja, P., Rani, M. M. S., and Shanmugavadivu, P. (2023). Deep convolutional neural network for the prediction of ovarian cancer. In Combating Women’s Health Issues with Machine Learning, pages 107–115. CRC Press.
Martelo, M. P., López, V. C., González, M. M., and Bañuelos, J. C. (2021). Cáncer de ovario. Medicine - Programa de Formación Médica Continuada Acreditado, 13(27).
Neto, C. M. S., Silva, A. L., Pessoa, A. C., Quintanilha, D. B., de Almeida, J. D., Junior, G. B., and Diniz, J. O. (2024). Diagnóstico de tuberculose em imagens de radiografia utilizando cvt. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 342–353. SBC.
Rodrigues, G. J. R., Lasmar, A. L. T., Rezende, B. E. S., Martins, B. C. S., Mussi, H. G., Rabello, L. N., Campagnani, S. M., and Santos, K. F. (2021). The relevance of implementing an ovarian cancer screening program: a narrative review. Electronic Journal of Health Archive, 13:1.
Sadeghi, M. H., Sina, S., Omidi, H., Farshchitabrizi, A. H., and Alavi, M. (2024). Deep learning in ovarian cancer diagnosis: a comprehensive review of various imaging modalities. Polish journal of radiology, 89:e30.
Wang, Y., Farnell, D., Farahani, H., Nursey, M., Tessier-Cloutier, B., Jones, S. J. M., Huntsman, D. G., Gilks, C. B., and Bashashati, A. (2020). Classification of epithelial ovarian carcinoma whole-slide pathology images using deep transfer learning. Medical Imaging with Deep Learning (MIDL) 2020 - Short Paper.
Published
2025-06-09
How to Cite
ALVINO, André F. et al.
A Deep Features-Based Approach for Serous Ovarian Cancer Diagnosis in Histopathological Images. In: BRAZILIAN SYMPOSIUM ON COMPUTING APPLIED TO HEALTH (SBCAS), 25. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 401-412.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2025.7203.
