Diseño y desarrollo de un sistema automático para la predicción de la colitis ulcerosa aplicando técnicas de aprendizaje profundo débilmente supervisado sobre Whole-Slide Images

Abstract

[ES] La colitis ulcerosa (UC) es una enfermedad intestinal inflamatoria crónica que afecta al intestino grueso con una incidencia cercana a los 20 casos por 100.000 habitantes. Para el tratamiento de la UC es fundamental eliminar la inflamación intestinal y para su seguimiento, la evaluación histológica juega un papel fundamental puesto que la remisión histológica (HR) es el principal indicador de enfermedad. Para cuantificar la presencia o ausencia de actividad de colitis ulcerosa se ha propuesto un índice histológico que define la HR a partir de la presencia o ausencia de neutrófilos en diferentes compartimentos celulares. Para obtener un diagnóstico clínico de esta enfermedad, los patólogos solían analizar bajo ek microscopio las biopsias obtenidas del recto y del colon sigmoide durante los procedimientos endoscópicos. Sin embargo, con los avances de la patología digital las biopsias pueden ser digitalizadas en whole-slide images (WSI) ofreciendo la posibilidad de ser compartidas entre centros clínicos para ser analizadas por diferentes patólogos. Este procedimiento reduce la subjetividad asociada al patólogo durante la gradación de la biopsia. La implementación de sistemas de diagnóstico asistidos por ordenador (CAD) puede ayudar a solucionar esta problemática. El objetivo de este TMF reside en el desarrollo de un algoritmo predictivo basado en técnicas de aprendizaje profundo débilmente supervisado para la predicción de la remisión histológica en WSI.En concreto, se pretende implementar un algoritmo basado en multiple instance learning (MIL) y aplicar restricciones a la red neuronal convolucional para forzar a que aprenda como localizar los neutrófilos, células clave para la predicción de la remisión histológica. Para ello, se contará con una base de datos de WSI correspondientes a pacientes con colitis ulcerosa junto con la anotación a nivel de pixel y de imagen de cada una de ellas

[CAT] La colitis ulcerosa (UC) és una malaltia intestinal inflamatòria crònica que afecta l’intestí gros amb una incidència pròxima als 20 casos per 100.000 habitants. Per al tractament de la UC és fonamental eliminar la inflamació intestinal i per al seu seguiment, l’avaluació histològica juga un paper fonamental perquè la remissió histològica (HR) és el principal indicador de la malaltia. Per a quantificar la presència o absència d’activitat de colitis ulcerosa s’ha proposat un índex histològic que defineix la HR a partir de la presència o absència de neutròfils en diferents compartiments cel·lulars. Per obtenir un diagnòstic clínic d’aquesta patologia, els patòlegs solien analitzar sota els microscopis les biòpsies obtingudes del recte i del còlon sigmoide durant els procediments endoscòpics. Tanmateix, amb els avancos de la patologia digital les biòpsies poden ser digitalitzades en whole-slide images (WSI) oferint la possibilitat de ser compartides entre centres clínics oferint per a ser analitzades per diferents patòlegs. Aquest procediment redueix la subjectivitat associada al patòleg en la qualificació de la biòpsia. La implementació de sistemes de diagnòstic assistits per ordinador (CAD) pot ajudar a solucionar aquesta problemàtica. L’objectiu d’aquest projecte resideix en el desenvolupament d’un algoritme predictiu basat en tècniques d’aprenentatge profund feblement supervisat per a la predicció de la remissió histològica en WSI.En concret, es pretén implementar un algoritmee basat en Multiple Instance Learning (MIL) i aplicar restriccions a la xarxa neuronal convolucional per a forçar al fet que aprenga a localitzar els neutròfils, cèl·lules clau per a la predicció de la remissió histològica. Per a això, es comptarà amb una base de dades de WSI corresponents a pacients amb colitis ulcerosa juntament amb l’anotació a nivell de píxel i d’imatge de cadascuna d’elles.

[EN] Ulcerative colitis (UC) is a chronic inflammatory bowel disease (IBD) affecting the colon with an incidence of around 20 cases per 100.000 inhabitants. The aim of treatment in UC is achieving inflammatory remission and histological evaluation takes a crucial role in the follow-up to get histological remission (HR), the main target of treatment nowadays. A novel index has been proposed to evaluate the ulcerative colitis activity in biopsies and it is based on the presence or absence of neutrophils in different regions of the tissue. To get a clinical diagnosis in UC, pathologists used to analyze under the microscopes the biopsies obtained from the rectum and the colon sigmoid during endoscopic procedures. However, with the advances in digital pathology biopsies can be digitized in whole-slide images (WSIs) offering the possibility of being shared across clinical centres to be analyzed by different pathologists. This procedure reduces the subjectivity associated to the pathologist in the grading of the biopsy. The implementation of computer-aided diagnosis systems (CAD) can help to overcome the commented handicaps. For this reason, the present project aims to develop a predictive algorithm based on weakly supervised deep learning techniques for the prediction of histological remission in WSI. Specifically, we intend to implement an algorithm based on multiple instance learning (MIL) and apply constraints to the convolutional neural network to force it to learn how to locate neutrophils, key cells for the prediction of histological remission. For that purpose, a database of WSI corresponding to patients with an ulcerative colitis diagnosis will be available along with pixel and image-level annotation of each biopsy