Impacto do balanceamento e regularização na segmentação semântica de imagens histopatológicas
DOI:
https://doi.org/10.5753/reic.2025.6197Keywords:
Segmentação de imagens, Aprendizado Profundo, Balanceamento de Classes, Regularização, Câncer de PróstataAbstract
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.
Downloads
Referências
Alsayat, A., Elmezain, M., Alanazi, S., Alruily, M., Mostafa, A. M., and Said, W. (2023). Multi-Layer Preprocessing and U-Net with Residual Attention Block for Retinal Blood Vessel Segmentation. Diagnostics, 13(21):3364. DOI: 10.3390/diagnostics13213364.
Bulten, W., Kartasalo, K., Chen, P. C., Ström, P., Pinckaers, H., and Nagpal, K. (2022). Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge. Nat Med, 28(1):154–163. DOI: 10.1038/s41591-021-01620-2.
Chen, Z. (2023). Medical Image Segmentation Based on U-Net. J. Phys.: Conf. Ser., 2547(1):012010. DOI: 10.1088/1742-6596/2547/1/012010.
Ciga, O., Xu, T., Nofech-Mozes, S., Noy, S., Lu, F.-I., and Martel, A. L. (2021). Overcoming the limitations of patch-based learning to detect cancer in whole slide images. Sci Rep, 11(1):8894. DOI: 10.1038/s41598-021-88494-z.
Corte, D. D. (2023). Towards a Clinically Useful AI Tool for Prostate Cancer Detection: Recommendations from a PANDA Dataset Analysis. JCRMHS, 5(3). DOI: 10.55920/JCRMHS.2023.05.001216.
Dablain, D., Krawczyk, B., and Chawla, N. (2024). Towards a holistic view of bias in machine learning: bridging algorithmic fairness and imbalanced learning. Discov Data, 2(1):4. DOI: 10.1007/s44248-024-00007-1.
Falahkheirkhah, K., Tiwari, S., Yeh, K., Gupta, S., Herrera-Hernandez, L., McCarthy, M. R., Jimenez, R. E., Cheville, J. C., and Bhargava, R. (2023). Deepfake Histologic Images for Enhancing Digital Pathology. Laboratory Investigation, 103(1):100006. DOI: 10.1016/j.labinv.2022.100006.
Gleason, D. F. and Mellinger, G. T. (1974). Prediction of Prognosis for Prostatic Adenocarcinoma by Combined Histological Grading and Clinical Staging. Journal of Urology, 111(1):58–64. DOI: 10.1016/s0022-5347(17)59889-4.
Guerrero, E. D., Lina, R., Lina, R., Bocklitz, T., Popp, J., and Oliveira, J. L. (2024). A Data Augmentation Methodology to Reduce the Class Imbalance in Histopathology Images. J Digit Imaging. Inform. med.. DOI: 10.1007/s10278-024-01018-9.
Haghofer, A., Fuchs-Baumgartinger, A., Lipnik, K., Klopfleisch, R., Aubreville, M., Scharinger, J., Weissenböck, H., Winkler, S. M., and Bertram, C. A. (2023). Histological classification of canine and feline lymphoma using a modular approach based on deep learning and advanced image processing. Sci Rep, 13:19436. DOI: 10.1038/s41598-023-46607-w.
Hancer, E., Traoré, M., Samet, R., Yıldırım, Z., and Nemati, N. (2023). An imbalance-aware nuclei segmentation methodology for H&E stained histopathology images. Biomedical Signal Processing and Control, 83:104720. DOI: 10.1016/j.bspc.2023.104720.
Hicks, S. A., Strümke, I., Thambawita, V., Hammou, M., Riegler, M. A., Halvorsen, P., and Parasa, S. (2022). On evaluation metrics for medical applications of artificial intelligence. Scientific Reports, 12(1):5979.
Ikromjanov, K., Bhattacharjee, S., Hwang, Y.-B., Sumon, R. I., Kim, H.-C., and Choi, H.-K. (2022). Whole Slide Image Analysis and Detection of Prostate Cancer using Vision Transformers. In 2022 ICAIIC, pages 399–402, Jeju Island, Korea, Republic of. DOI: 10.1109/ICAIIC54071.2022.9722635.
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., He, K., and Dollár, P. (2018). Focal Loss for Dense Object Detection.
Meyes, R., Lu, M., de Puiseau, C. W., and Meisen, T. (2019). Ablation Studies in Artificial Neural Networks.
Monaghan, T. F., Rahman, S. N., Agudelo, C. W., Wein, A. J., Lazar, J. M., Everaert, K., and Dmochowski, R. R. (2021). Foundational Statistical Principles in Medical Research: Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value. Medicina, 57(5):503.
Nguyen, T. T. U., Nguyen, A.-T., Kim, H., Jung, Y. J., Park, W., and Kim, Kyoung Min, e. a. (2024). Deep-learning model for evaluating histopathology of acute renal tubular injury. Sci Rep, 14(1):9010. DOI: 10.1038/s41598-024-58506-9.
Ozkan, T. A., Eruyar, A., Cebeci, O., Memik, O., Ozcan, L., and Kuskonmaz, I. (2016). Interobserver variability in Gleason histological grading of prostate cancer. Scandinavian Journal of Urology, 50(6):420–424. DOI: 10.1080/21681805.2016.1206619.
Powers, D. M. W. (2015). Evaluation Evaluation a Monte Carlo study. DOI: 10.48550/arXiv.1504.00854.
Raciti, P., Sue, J., Ceballos, R., Godrich, R., Kunz, J. D., Kapur, S., Reuter, V., Grady, L., Kanan, C., Klimstra, D. S., and Fuchs, T. J. (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. DOI: 10.1038/s41379-020-0551-y.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In MICCAI 2015, volume 9351, pages 234–241. DOI: 10.1007/978-3-319-24574-4_28.
Russakovsky, O. and et al. (2015). ImageNet Large Scale Visual Recognition Challenge. Int J Comput Vis, 115(3):211–252. DOI: 10.48550/arXiv.1409.0575.
Rączkowska, A., Możejko, M., Zambonelli, J., and Szczurek, E. (2019). ARA: accurate, reliable and active histopathological image classification framework with Bayesian deep learning. Sci Rep, 9(1):14347. DOI: 10.1038/s41598-019-50587-1.
Silva, A. F. D., Velo, M. M. D. A. C., and Pereira, A. C. (2016). Importância da reprodutibilidade dos métodos para diagnóstico em odontologia. Rev. da Fac. de Odontologia, UPF, 21(1). DOI: 10.5335/rfo.v21i1.4433.
Silva-Rodríguez, J., Colomer, A., Sales, M. A., Molina, R., and Naranjo, V. (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. DOI: 10.1016/j.cmpb.2020.105637.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2025 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
