Diseño y desarrollo de un sistema automático para la segmentación de la epidermis en imágenes histológicas de piel con algoritmos de deep learning

Abstract

[ES] Las lesiones en piel de células fusiformes (spindle cell lesions en inglés) es un conjunto de lesiones que abarca un amplio espectro de estructuras morfológicas, desde patrones benignos hasta cánceres, tanto melanomas como no melanomas. El melanoma es el 19º tipo de cáncer más común, mientras que cáncer de piel no melanoma el 5º. Entre ambos, cada año se diagnostican 1.300.000 casos nuevos a nivel mundial. El diagnóstico final de estas lesiones, una vez aparece la sospecha médica de su presencia, se realiza mediante el análisis al microscopio de muestras de tejido biopsiadas. Este se basa en la detección de patrones típicos de cada tipo de lesión, los cuales presentan una gran heterogeneidad. Además, el tipo de lesión viene dado no solo por el tipo de patrón, sino por la localización de estos tomando como referencia la epidermis. Este análisis consume una gran cantidad de tiempo y padece de una gran variabilidad entre distintos especialistas. Por ello, en los últimos años ha surgido la necesidad del desarrollo de sistemas de ayuda al diagnóstico (CAD) basados en técnicas de visión por computador para el análisis objetivo y automático de estas muestras. Estos sistemas utilizan las imágenes de gran tamaño obtenidas tras digitalizar las biopsias, conocidas como Whole Slide Images. Por este motivo, el objetivo de este TFG versa sobre el desarrollo de algoritmos de deep learning para la segmentación de la epidermis en Whole Slide Images, como paso inicial necesario para el diagnóstico de las lesiones de células fusiformes en piel. Por un lado, se plantea la preparación de una base de datos de Whole Slides Images con anotaciones a nivel de píxel de la epidermis. A continuación, se quiere desarrollar modelos de deep learning basados en redes neuronales convolucionales para la segmentación automática de este tejido con un aprendizaje supervisado. En concreto, se pretende utilizar una de las técnicas punteras en el estado del arte, la arquitectura U-Net, en la cual se aplicarían modificaciones para optimizar los resultados.

[EN] Spindle cell skin lesions are a group of lesions that encompass a wide spectrum of morphologic structures, from benign patterns to cancers, both melanomas and non-melanomas. Melanoma is the 19th most common type of cancer, while non-melanoma skin cancer is the 5th. Between them, 1,300,000 new cases are diagnosed worldwide each year. The final diagnosis of these lesions, once there is medical suspicion of their presence, is made by microscopic analysis of biopsied tissue samples. This is based on the detection of typical patterns of each type of lesion, which are highly heterogeneous. In addition, the type of lesion is determined not only by the type of pattern, but also by the location of these patterns, taking the epidermis as a reference. This analysis is very time-consuming and suffers from great variability among different specialists. For this reason, in recent years the need has arisen for the development of diagnostic aid systems (CAD) based on computer vision techniques for the objective and automatic analysis of these samples. These systems use the large images obtained after digitizing the biopsies, known as Whole Slide Images. For this reason, the objective of this TFG is the development of deep learning algorithms for the segmentation of the epidermis in Whole Slide Images, as a necessary initial step for the diagnosis of spindle cell lesions in skin. On the one hand, the preparation of a Whole Slide Images database with pixel-level annotations of the epidermis is proposed. Then, we want to develop deep learning models based on convolutional neural networks for the automatic segmentation of this tissue with supervised learning. In particular, we intend to use one of the state-of-the-art techniques, the U-Net architecture, in which modifications would be applied to optimize the results.