Aprendizado Profundo na Classificação de Lesões Crescentes Glomerulares: modelos e condições

• Joacy Mesquita da Silva UEFS
• Michele Fulvia Angelo UEFS
• Washington L. C. dos Santos FIOCRUZ
• Angelo C. Loula UEFS

DOI: https://doi.org/10.5753/sibgrapi.est.2021.20031

Resumo

Glomérulos são estruturas localizadas nos rins e responsáveis por filtrar o sangue e podem ser acometidos por diversas lesões, como a crescente glomerular, que é caracterizada por apresentar uma anormal proliferação de células. Neste trabalho, são avaliados diferentes modelos e condições de aplicação de deep learning na tarefa de classificação de imagens histopatológicas de crescente glomerular. Para isso, foram comparadas as redes pré-treinadas Xception, InceptionV3, MobileNet, VGG16 e ResNet50, aplicando-se para a classificação de imagens com glomérulos com crescente vs normais. Comparando acurácia, precisão, recall e f1-score dos modelos, a ResNet50 apresentou desempenho significativamente superior ao das demais redes, em todas as medidas. A aplicação de data augmentation não resultou em melhora significativa nos resultados neste caso. Em experimento de classificação de glomérulos crescentes vs não crescentes, adicionando imagens de três outras lesões à base de dados, a aplicação do Focal Loss, apresentou maior acurácia e precisão.

Referências

P. Chagas, L. Souza, I. Araujo, N. Aldeman, A. Duarte, M. Angelo, W. L. dos Santos, and L. Oliveira, Classification of glomerular hypercellularity using convolutional features and support vector machine, Artificial Intelligence in Medicine, vol. 103, p. 101808, Mar. 2020.

G. Bueno, M. M. Fernandez-Carrobles, L. Gonzalez-Lopez, and O. Deniz, Glomerulosclerosis identification in whole slide images using semantic segmentation, Computer Methods and Programs in Biomedicine, vol. 184, p. 105273, Feb. 2020.

A. B. Fogo and M. Kashgarian, Diagnostic atlas of renal pathology, 3rd ed. Philadelphia, PA: Elsevier, 2017.

L. Anguiano, R. Kain, and H.-J. Anders, The glomerular crescent: triggers, evolution, resolution, and implications for therapy, Current Opinion in Nephrology and Hypertension, vol. 29, no. 3, p. 302, 2020.

G. O. Barros, B. Navarro, A. Duarte, and W. L. C. dos Santos, PathoSpotter-k: A computational tool for the automatic identification of glomerular lesions in histological images of kidneys, Scientific Reports, vol. 7, no. 1, Apr. 2017.

J. N. Marsh, M. K. Matlock, S. Kudose, T.-C. Liu, T. S. Stappenbeck, J. P. Gaut, and S. J. Swamidass, Deep learning global glomerulosclerosis in transplant kidney frozen sections, IEEE Transactions on Medical Imaging, vol. 37, no. 12, pp. 27182728, Dec. 2018.

B. Ginley, B. Lutnick, K.-Y. Jen, A. B. Fogo, S. Jain, A. Rosenberg, V. Walavalkar, G. Wilding, J. E. Tomaszewski, R. Yacoub, G. M. Rossi, and P. Sarder, Computational segmentation and classification of diabetic glomerulosclerosis, Journal of the American Society of Nephrology, vol. 30, no. 10, pp. 19531967, Sep. 2019.

E. Uchino, K. Suzuki, N. Sato, R. Kojima, Y. Tamada, S. Hiragi, H. Yokoi, N. Yugami, S. Minamiguchi, H. Haga, M. Yanagita, and Y. Okuno, Classification of glomerular pathological findings using deep learning and nephrologistAI collective intelligence approach, International Journal of Medical Informatics, vol. 141, p. 104231, Sep. 2020.

P. Chagas, L. Souza, I. Pontes, R. Calumby, M. Angelo, A. Duarte, W. dos Santos, and L. Oliveira, Deep-learning-based membranous nephropathy classification and monte-carlo dropout uncertainty estimation, in Anais do XXI Simposio Brasileiro de Computac ao Aplicada à Saude. Porto Alegre, RS, Brasil: SBC, 2021, pp. 257268.

J. M. C. Rehem, W. L. C. dos Santos, A. A. Duarte, L. R. de Oliveira, and M. F. Angelo, Automatic glomerulus detection in renal histological images, in Medical Imaging 2021: Digital Pathology, J. E. Tomaszewski and A. D. Ward, Eds. SPIE, Feb. 2021.

J. M. Johnson and T. M. Khoshgoftaar, Survey on deep learning with class imbalance, Journal of Big Data, vol. 6, no. 1, pp. 154, 2019.

T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar, Focal loss for dense object detection, in Proceedings of the IEEE International Conference on Computer Vision (ICCV), Oct 2017.

X. Zhu and A. B. Goldberg, Introduction to semi-supervised learning, Synthesis Lectures on Artificial Intelligence and Machine Learning, vol. 3, no. 1, pp. 1130, Jan. 2009.

P. Linardatos, V. Papastefanopoulos, and S. Kotsiantis, Explainable AI: A Review of Machine Learning Interpretability Methods, Entropy, vol. 23, no. 1, p. 18, Dec. 2020.