Efficient Fine-Grained Segmentation and Histological Classification of Colorrectal polyps in White-Light Colonoscopy
La prevenció del càncer colorectal (CCR) depèn en gran mesura de la colonoscòpia per a la detecció i extirpació de pòlips precancerosos. No obstant això, persisteixen desafiaments per minimitzar les taxes de pòlips no detectats i caracteritzar amb precisió la histologia d’aquests (p. ex., a...
| Autor: | |
|---|---|
| Tipo de documento: | tese |
| Estado: | Versão publicada |
| Data de publicação: | 2025 |
| País: | España |
| Recursos: | CBUC, CESCA |
| Repositório: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/695895 |
| Acesso em linha: | http://hdl.handle.net/10803/695895 |
| Access Level: | Acesso embargado |
| Palavra-chave: | Càncer colorectal Colorectal cancer Cáncer colorectal Segmentació semantica Semantic segmentation Segmentación semántica Classificació histològica Histology classification Clasificación histológica Tecnologies 04 |
| Resumo: | La prevenció del càncer colorectal (CCR) depèn en gran mesura de la colonoscòpia per a la detecció i extirpació de pòlips precancerosos. No obstant això, persisteixen desafiaments per minimitzar les taxes de pòlips no detectats i caracteritzar amb precisió la histologia d’aquests (p. ex., adenoma, hiperplàstic, lesió serrada sèsil – LSS) en temps real utilitzant exclusivament imatge de llum blanca (ILB), fet que afecta les decisions clíniques. Els sistemes d’IA actuals sovint resulten insuficients per la seva dependència de modalitats d’imatge avançades, la limitada granularitat de classificació o la validació inadequada. L’objectiu d’aquesta tesi és desenvolupar nous sistemes d’aprenentatge profund per a la segmentació detallada i la classificació histològica de lesions colorrectals en temps real, emprant únicament ILB. Entre els objectius clau destaquen la creació de models multiclassos robustos, garantir la compatibilitat amb ILB per millorar la generalització i assolir un rendiment en temps real. Una contribució fonamental és el PolypSegm-ASH, un conjunt de dades públic d’imatges ILB amb màscares de segmentació a nivell de píxel i etiquetes histològiques finament classificades (adenoma, LSS, hiperplàstic) confirmades per patòlegs, que cobreix la necessitat crítica de recursos per entrenar i avaluar sistemes d’IA. Basat en aquest recurs, es presenta Swin-Expand, una arquitectura eficient basada en Swin Transformer per a la segmentació i classificació simultània de múltiples tipus de pòlips. Es demostra la seva superioritat en segmentació i classificació detallada sobre PolypSegm-ASH, posant de manifest que la caracterització global dels pòlips millora en entrenar amb un major detall histològic. Per potenciar encara més la classificació integrant el context clínic, s’introdueix VITAL (Visual Information and Tabular Adaptive Learning), un mòdul plug-and-play. A VITAL, descriptors tabulars de la lesió (p. ex., classificació de París, grandària, localització) s’integren amb característiques visuals dels models de segmentació mitjançant blocs FiLM amb compuertes, incrementant significativament la precisió de classificació en diverses arquitectures i mostrant robustesa davant la manca de metadades. En conclusió, aquesta recerca avança la IA en colonoscòpia mitjançant la provisió d’un conjunt de dades essencial i el desenvolupament de models d’aprenentatge profund innovadors (Swin-Expand i VITAL), permetent un anàlisi de pòlips més precís i clínicament rellevant utilitzant ILB. Aquests aportacions obren el camí per a un suport diagnòstic assistit per IA més complet i fiable, amb l’objectiu de millorar l’eficàcia del cribatge del CCR. |
|---|