Utilization of Deep Neural Networks in tasks of classification and semantic segmentation of medical images of colon and breast cancer

Abstract

[CA] El TFG que es proposa s’enfoca en l’exploració i aplicació de diverses tècniques de classificació i segmentació d’imatges dins l’àmbit de la imatge mèdica. El principal objectiu d’aquest TFG és millorar la precisió i eficiència en el diagnòstic de diferents tipus de càncer mitjançant l’ús de models basats en tècniques d’intel·ligència artificial, en particular, Deep Learning (Xarxes Neuronals profundes). Les tècniques de classificació i segmentació d’imatges que emprarem tenen com a propòsit contribuir a la identificació i diferenciació precisa de les característiques patològiques en imatges mèdiques, en particular, de càncer de còlon i de mama. En el cas del càncer de còlon, per a detectar pòlips sobre la base de la morfologia cel·lular observable en imatges de microscopi. I en el segon cas, el del càncer de mama, per a detectar diferents estadis de la malaltia. En l’àmbit global, aquest enfocament busca obtindre diagnòstics més precisos i de la manera més primerenca possible, per a millorar tant la taxa de supervivència com la qualitat de vida dels pacients. El treball a desenvolupar en aquest TFG es divideix en dues línies de treball similars. La primera línia treballarà amb imatges mèdiques de càncer de còlon obtingudes amb microscopi, corresponents a un dataset disponible com a públic en internet, i consistirà en la classificació de les imatges en un total de 6 classes objectiu possibles, una corresponent a teixit sa, una segona corresponent a hiperplàsia benigna, i quatre corresponents a dos tipus de càncer en dos estadis (lleu i greu) de la malaltia. La segona línia se centrarà en imatges obtingudes mitjançant microscopi de biòpsies de mama corresponents a dos datasets diferents, un d’ells on s’han identificat un total de set classes objectiu, i un altre, que implica una tasca més ambiciosa i complexa, on s’han identificat un total de 21 classes objectiu.

[ES] El TFG que se propone se enfoca en la exploración y aplicación de diversas técnicas de clasificación y segmentación de imágenes dentro del ámbito de la imagen médica. El principal objetivo de este TFG es mejorar la precisión y eficiencia en el diagnóstico de diferentes tipos de cáncer mediante el uso de modelos de técnicas de Inteligencia Artificial, en particular, Deep Learning (Redes Neuronales profundas). Las técnicas de clasificación y segmentación de imágenes que emplearemos tienen como propósito contribuir a la identificación y diferenciación precisa de las características patológicas en imágenes médicas, en particular, de cáncer de colon y de mama. En el caso del cáncer de colon, para detectar pólipos en base a la morfología celular observable en imágenes de microscopio. Y en el segundo caso, el del cáncer de mama, para detectar diferentes estadíos de la enfermedad. A nivel global, este enfoque busca obtener diagnósticos más precisos y de la manera más temprana posible, para mejorar tanto la tasa de supervivencia como la calidad de vida de los pacientes.

El trabajo a desarrollar este TFG se divide en dos líneas de trabajo similares. La primera linea trabajará con imágenes médicas de cáncer de colon obtenidas con microscopio, correspondientes a un dataset disponible como público en internet, y consistirá en la clasificación de las imágenes en un total de 6 clases objetivo posibles, una correspondiente a tejido sano, una segunda correspondiente a hiperplasia benigna, y cuatro correspondientes a dos tipos de cáncer en dos estadíos (leve y grave) de la enfermedad. La segunda línea se centrará en imágenes obtenidas mediante microscopio de biopsias de mama correspondientes a dos datasets distintos, uno de ellos donde se han identificado un total de siete clases objetivo, y otro, que implica una tarea más ambiciosa y compleja, donde se han identificado un total de 21 clases objetivo.

[EN] The proposed undergraduate thesis focuses on the exploration and application of various techniques for image classification and segmentation within the field of medical imaging. The main objective of this thesis is to improve the accuracy and efficiency of diagnosing different types of cancer using models of Artificial Intelligence techniques, particularly Deep Learning (Neural Networks). The image classification and segmentation techniques that we will employ aim to contribute to the precise identification and differentiation of pathological features in medical images, specifically in colon and breast cancer. In the case of colon cancer, to detect polyps based on observable cellular morphology in microscope images. And in the second case, breast cancer, to detect different stages of the disease. Globally, this approach aims to achieve more accurate and earlier diagnoses, to improve both the survival rate and the quality of life of patients.

The work proposed in this thesis is divided into two similar lines of work. The first line will work with medical images of colon cancer obtained with a microscope, corresponding to a dataset available publicly on the internet, and will consist of classifying the images into a total of 6 possible target classes: one corresponding to healthy tissue, a second corresponding to benign hyperplasia, and four corresponding to two types of cancer in two stages (mild and severe) of the disease. The second line will focus on classifying and segmenting histopathological breast images corresponding to two different datasets: one with a total of seven target classes, and another, for a more ambitious and complex task, with a total of 21 target classes.