Impacto do balanceamento e regularização na segmentação semântica de imagens histopatológicas

• Eduardo Henrique Souza Paraíso PUC Minas
• Alexei Manso Correa Machado PUC Minas / UFMG

DOI: https://doi.org/10.5753/sbcas_estendido.2025.6955

Resumo

Este estudo investiga o impacto do balanceamento de classes e da regularização na melhoria da concordância de diagnósticos baseados em imagens histológicas. Modelos U-Net aplicados na análise de biópsias de câncer de próstata, por exemplo, mostram que o balanceamento de classes, combinado com funções de perda tradicionais, aumenta a concordância das imagens em até 6 pontos percentuais. A combinação de balanceamento com Focal Loss eleva o acordo de classificação em média 13 pontos percentuais, em comparação com o uso de datasets desbalanceados com funções de perda tradicionais. Um estudo de caso sobre a diferenciação entre os padrões Gleason 3 e 4 ilustra a utilidade das técnicas em decisões clínicas e no prognóstico de pacientes com câncer de próstata.

Referências

Bulten, W., Kartasalo, K., Chen, P. C., et al. (2022). Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge. Nat Med, 28(1):154–163.

Chen, Z. (2023). Medical Image Segmentation Based on U-Net. J. Phys.: Conf. Ser., 2547(1):012010.

Falahkheirkhah, K., Tiwari, S., Yeh, K., et al. (2023). Deepfake Histologic Images for Enhancing Digital Pathology. Laboratory Investigation, 103(1):100006.

Gleason, D. F. e Mellinger, G. T. (1974). Prediction of Prognosis for Prostatic Adenocarcinoma by Combined Histological Grading and Clinical Staging. Journal of Urology, 111(1):58–64.

Guerrero, E. D., Lina, R., Lina, R., et al. (2024). A Data Augmentation Methodology to Reduce the Class Imbalance in Histopathology Images. J Digit Imaging. Inform. med.

Haghofer, A., Fuchs-Baumgartinger, A., Lipnik, K., et al. (2023). Histological classification of canine and feline lymphoma using a modular approach based on deep learning and advanced image processing. Sci Rep, 13:19436.

Hancer, E., Traoré, M., Samet, R., et al. (2023). An imbalance-aware nuclei segmentation methodology for H&E stained histopathology images. Biomedical Signal Processing and Control, 83:104720.

Ikromjanov, K., Bhattacharjee, S., Hwang, Y.-B., et al. (2022). Whole Slide Image Analysis and Detection of Prostate Cancer using Vision Transformers. In 2022 ICAIIC, p. 399–402, Jeju Island, Korea, Republic of.

INCA, I. N. D. C. (2023). Estimativa 2023: incidência de câncer no Brasil. Instituto Nacional De Câncer, Rio de Janeiro, RJ.

Lin, T.-Y., Goyal, P., Girshick, R., et al. (2018). Focal Loss for Dense Object Detection.

Meyes, R., Lu, M., de Puiseau, C. W., et al. (2019). Ablation Studies in Artificial Neural Networks.

Ozkan, T. A., Eruyar, A., Cebeci, O., et al. (2016). Interobserver variability in Gleason histological grading of prostate cancer. Scandinavian Journal of Urology, 50(6):420–424.

Raciti, P., Sue, J., e Rodrigo, C. (2020). Novel artificial intelligence system increases the detection of prostate cancer in whole slide images of core needle biopsies. Modern Pathology, 33(10):2058–2066.

Ronneberger, O., Fischer, P., e Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In MICCAI 2015, volume 9351, p. 234–241.

Silva-Rodríguez, J., Colomer, A., Sales, M. A., et al. (2020). Going deeper through the Gleason scoring scale: An automatic end-to-end system for histology prostate grading and cribriform pattern detection. Computer Methods and Programs in Biomedicine, 195:105637.