Improvement, Classification and Interpretation of Cancer Histological Images using Probabilistic Models

• Autores: Fernando Pérez Bueno
• Directores de la Tesis: Rafael Molina Soriano (codir. tes.) , Valeriana Naranjo Ornedo (codir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2022
• Idioma: inglés
• ISBN: 9788411176453
• Número de páginas: 187
• Títulos paralelos:
  • Mejora, clasificación e interpretación de imágenes histológicas de cáncer usando modelos probabilísticos
• Tribunal Calificador de la Tesis: Samuel Morillas Gómez (presid.) , Nicolás Pérez de la Blanca Capilla (secret.) , Ana Valdivia Garcia (voc.)
• Enlaces
  • Tesis en acceso abierto en: DIGIBUG
• Resumen
  • español

    Las imágenes histopatológicas son una herramienta ampliamente utilizada para el diagnostico del cáncer y otras enfermedades. También son utilizadas en sistemas de diagnostico asistido por computador (CAD por sus siglas en ingles). Estos sistemas han obtenido resultados muy prometedores en el diagnostico automático del cáncer y otras enfermedades. Sin embargo, las imágenes obtenidas en distintos laboratorios presentan diferencias, debido al proceso de adquisición, que dificultan el uso de técnicas de inteligencia artificial. De estas diferencias, la variación de color se suele considerar el mayor problema cuando se trabaja con imágenes de distintos centros. Una solución precisa del problema de la variación de color requiere tener en cuenta el proceso de adquisición de las imágenes histopatológicas y, en concreto, el proceso de tinción con dos o mas tinciones. Las técnicas de deconvolución ciega de color (BCD, por sus siglas en ingles Blind Color Deconvolution) utilizan un modelo de observación que tiene en cuenta este proceso y permite separar las tinciones que aparecen mezcladas en la imagen observada, separando además el color de la de estructura de las tinciones. En esta tesis se estudian la modelización e inferencia Bayesianas y su aplicación a BCD. Con la aproximación propuesta, es posible combinar conocimiento a priori, el modelo de observación y la evidencia que proporcionan los datos, y obtener así distribuciones a posteriori robustas y de gran calidad que pueden utilizarse para reducir la variación de color. Se han propuesto tres modelos Bayesianos diferentes para la deconvolución de color de imágenes histológicas: El primero utiliza un marco de trabajo basado en la función de Variación Total (TV), el segundo utiliza distribuciones a priori de la familia super Gaussiana y por ´ultimo un modelo basado en descomposición Bayesiana en K-valores singulares. Los modelos propuestos se han aplicado a la separación de tinciones, la normalización de color, el aumento de datos y la clasificación de varios tipos de cáncer. Se incluyen en esta tesis dos contribuciones adicionales: la mejora de imágenes multiespectrales tomadas por satélite y la detección de anomalías en redes de ordenadores. Ambas se benefician también del uso de la modelización e inferencia Bayesianas. Además, se presentan tres publicaciones en las que se ha colaborado pero que no se consideran parte del compendio presentado para obtener el título de doctor: una revisión sobre el procesado de imágenes histológicas, un trabajo de detección de sangre usando BCD y otro sobre BCD variacional profundo. Esta tesis obtuvo el primer premio de la universidad de Granada en el concurso Tesis en 3 Minutos (3MT), y representó a la universidad en el concurso internacional del grupo Coimbra en 2021.

  • English

    Histopathological images are commonly used for the diagnosis of cancer and other diseases. These images are also used by Computer Assisted Diagnosis (CAD) systems, which have shown a promising performance on the diagnosis of of cancer and other diseases. However, the images obtained in different laboratories show acquisition differences that hamper the performance of AI-based CAD systems. In particular, color variation is often considered the most relevant issue when working with images from different centers. To accurately reduce color variation it is important to consider the acquisition procedure of histopathological image and, specifically, the staining protocol with two or more stains. Blind Color Deconvolution (BCD) use an observation model that takes the staining protocol into account and separate the stains mixed in the observed image, separating also color from structural information. This thesis studies Bayesian modeling and inference, and their application to BCD techniques. With the proposed approach, it is possible to combine prior knowledge, the observation model, and the data evidence, obtaining robust, high quality posterior distributions that can be used to reduce the effect of color variation on CAD systems. We propose three different Bayesian models for BCD of histopathological images: A Total Variation (TV) framework, Super Gaussian Sparse priors, and Bayesian K-Singular Value Decomposition (BKSVD), and apply them to stain separation, color normalization, stain augmentation, and cancer classification. Two additional contributions are included in this thesis: the improvement of multi-spectral satellite images and network anomaly detection. Both benefit too from the use of Bayesian modeling and inference. Furthermore, we also present three additional works in which we have collaborated but are not part of the compendium of publications presented to obtain the Ph.D. degree: a tutorial paper on the processing of histological images, a paper on blood detection using BCD, and a paper on Deep Variational BCD. The project of this thesis was awarded the 3 Minute Thesis (3MT) prize at the University of Granada, and represented the university at the international Coimbra group competition in 2021.