A step closer to real-time detect gastric cancer

Data
2021-11-02
Título da revista
ISSN da revista
Título do Volume
Editora
Projetos de investigação
Unidades organizacionais
Fascículo
Resumo
O cancro gástrico é um dos tipos de cancro mais comum e mortal mundialmente: para além de ser o sexto cancro mais incidente em Portugal no ano de 2020, foi o terceiro mais mortal, de acordo com GLOBOCAN 2020, uma base de dados online que fornece estatística relacionada com cancro em 185 países. Em estádios iniciais, este cancro é assintomático, sendo que os sintomas surgem tardiamente, quando o cancro se encontra num estado avançado. Uma deteção precoce desta patologia é essencial para aumentar a probabilidade de sobrevivência do paciente. Os métodos mais comuns de deteção de cancro gástrico são a endoscopia alta e a biopsia sendo que através da endoscopia alta é possível observar a parte superior do trato digestivo, onde se inclui o estômago. Sistemas de Deep Learning tem demonstrado utilidade em várias tarefas no campo da análise de imagens médicas, sendo que em alguns casos apresentam performances comparáveis com especialistas. Assim sendo, um sistema de deteção de cancro gástrico em tempo real poderia mostrar-se útil, na medida em que chamaria a atenção dos especialistas para zonas suspeitas, de modo a que fossem analisadas, sendo executados os métodos necessários para o diagnóstico. Para além disso, um sistema de deteção de cancro gástrico em tempo real poderia ser útil para especialistas com menos experiência, aumentando o número de áreas suspeitas analisadas bem como o número de deteções. Contudo, a quantidade de imagens endoscópicas com cancro gástrico, anotadas e disponíveis em bases de dados públicas para treinar e avaliar um sistema desta natureza são reduzidas. Sabendo que o cancro colorretal apresenta semelhanças com o tipo mais comum de cancro gástrico, um sistema de deteção com conhecimento prévio nesta patologia poderia auxiliar na deteção de cancro gástrico. Para além disso, a quantidade de imagens de colonoscopia anotadas com cancro colorretal disponíveis é maior comparativamente ao número de imagens com cancro gástrico. Assim sendo, este trabalho explorou a YOLOv4, uma arquitetura do estado da arte de deteção de objetos, para a deteção em tempo real de cancro colorretal. Posteriormente, após a arquitetura ser treinada e avaliada em tal tarefa, uma abordagem de transfer learning foi executada de modo a perceber a influencia de conhecimento relativo a cancro colorretal na tarefa de deteção de cancro gástrico em tempo real. Os resultados atingidos utilizando esta inovadora estratégia de transfer learning são promissores, sendo que número de imagens onde foi detetado cancro gástrico aumentou, comparativamente com um modelo desenvolvido nas mesmas condições onde foi aplicada uma estratégia de transfer learning tradicional. Contudo, dadas as dimensões reduzidas do dataset utilizado, é necessário validar os resultados obtidos neste trabalho recorrendo a um dataset maior e mais diverso.
Gastric cancer is one of the most common and deadly types of cancer worldwide: it was the sixth most incident cancer in Portugal during 2020 and the third deadliest, according to GLOBOCAN 2020, an online database that provides cancer-related statistics in 185 countries. In early stages, this cancer is asymptomatic, with symptoms appearing later when the cancer is at an advanced stage. Early detection of this pathology is essential to increase the patient's chance of survival. The most common methods for detecting gastric cancer are upper endoscopy and biopsy. Through upper endoscopy, it is possible to observe the superior part of the digestive tract, which includes the stomach. Deep Learning systems have shown to be useful in several tasks in the medical image analysis field, and in some cases, they have performances comparable to specialists. Therefore, a real-time gastric cancer detection system could prove to be useful, as it would draw the attention of specialists to suspicious areas, to be analysed, allowing them to carry out the necessary diagnosis methods. Furthermore, a real-time gastric cancer detection system could be useful for less experienced specialists, increasing the number of suspicious areas analysed as well as the number of detections. However, the amount of endoscopic gastric cancer images annotated and available in public databases to train and evaluate such systems is limited. Knowing that colorectal cancer is reminiscent of the most common type of gastric cancer, a detection system with prior knowledge of this pathology could aid in the detection of gastric cancer. In addition, the amount of colorectal cancer annotated colonoscopy images available is bigger when compared to the number of gastric cancer images. Therefore, this work explored YOLOv4, a state-of-the-art object detection architecture, for real-time detection of colorectal cancer. Afterwards, after the architecture was trained and evaluated in such a task, a transfer learning approach was performed to understand the influence of knowledge related to colorectal cancer in the real-time gastric cancer detection task. The results achieved using this innovative transfer learning strategy are promising, as the number of images where gastric cancer was detected increased, compared to a model developed under the same conditions where a traditional transfer learning strategy was applied. However, given the small dimensions of the dataset used, it is necessary to validate the results obtained in this work using a larger and more diverse dataset
Descrição
Dissertação de Mestrado em Engenharia Informática
Palavras-chave
Cancro Gástrico , Cancro Colorretal
Citação