Diseño y desarrollo de un sistema de segmentación de la epidermis en imágenes histopatológicas de melanoma Spitzoide mediante redes encoder-decoder residuales

Abstract

[ES] La segmentación de la epidermis en imágenes histopatológicas con tinción hematoxilina eosina es una tarea esencial en el análisis que realizan los patólogos para el diagnóstico de tumores melanocíticos de Spitz. Sin embargo, analizar a mano cada muestra puede resultar una tarea tediosa para el especialista a la par que subjetiva. Por ello, la introducción de la patología digital puede suponer un ahorro de tiempo así como una mayor robustez y precisión en la segmentación de grandes estructuras de biopsias como, por ejemplo, la epidermis. Esto permite que el patólogo pueda centrarse en el análisis en profundidad del tejido y de sus células. Además, la segmentación automática de la epidermis provee datos numéricos (cuantitativos) que no es posible obtener en la patología clásica. En este trabajo el alumno trabajará un enfoque basado en métodos de Deep Learning para detectar la capa de epidermis en biopsias de piel. Se diseñará una arquitectura de red neuronal convolucional encoder-decoder para resolver el problema de segmentación. Se explorará la creación de un modelo predictivo a dos niveles de resolución y la adición de capas residuales para lograr una segmentación automática precisa. La exitosa consecución del presente TFM brindará la posibilidad de poder desarrollar sistemas de detección de tumores melanocíticos de Spitz mediante, entre otros, la cuantificación automática de la epidermis.

[EN] Epidermis segmentation in histopathological images with haematoxylin eosin staining is an essential task in the pathologist's analysis for the diagnosis of Spitz melanocytic tumours. However, analysing each sample by hand can be a tedious and subjective task for the specialist. Therefore, the introduction of digital pathology can lead to time savings as well as increased robustness and accuracy in the segmentation of large biopsy structures such as the epidermis. This allows the pathologist to focus on the in-depth analysis of the tissue and its cells. Moreover, the automatic segmentation of the epidermis provides numerical (quantitative) data that is not possible to obtain in classical pathology. In this work the student will work on an approach based on Deep Learning methods to detect the epidermis layer in skin biopsies. An encoder-decoder convolutional neural network architecture will be designed to solve the segmentation problem. The creation of a predictive model at two levels of resolution and the addition of residual layers will be explored to achieve accurate automatic segmentation. The successful completion of this TFM will provide the possibility to develop Spitz melanocytic tumour detection systems using, among others, automatic quantification of the epidermis.