Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/35475
Document type: Dissertação
Access type: Acesso Aberto
Title: Metodologia para a classificação multiclasse de imagens histológicas baseada em inteligência artificial explicável
Alternate title (s): Methodology for multiclass classification of histological images based on explainable artificial intelligence
Author: Faria, Tiago Pereira de
First Advisor: Martins, Luiz Gustavo Almeida
First coorientator: Nascimento, Marcelo Zanchetta do
First member of the Committee: Travençolo, Bruno Augusto Nassif
Second member of the Committee: Martins, Alessandro Santana
Summary: Sistemas de diagnóstico apoiado por computador (CAD) têm sido estudados como uma ferramenta para diminuir a variabilidade entre especialistas e agilizar o processo de diagnóstico. Nesse tipo de sistema, técnicas de visão computacional e aprendizado de máquina costumam ser empregadas no diagnóstico automático a partir de imagens histopatológicas. Apesar de resultar em classificadores de alta precisão, muitos desses métodos são caixas-pretas, em que o conhecimento usado na decisão está implícito no modelo, ou é representado de forma complexa. Esse aspecto diminui a confiabilidade do sistema e dificulta sua depuração. Nesse contexto, este trabalho propõe uma metodologia que integra métodos de classificação multiclasse e de inteligência artificial explicável (XAI) para a construção de sistemas CAD mais interpretáveis e confiáveis. A predição é feita a partir de descritores morfológicos e não-morfológicos, extraídos dos núcleos celulares identificados nas imagens segmentadas. Esses descritores são pré-processados e empregados na construção dos modelos. A fim de melhorar a compreensão acerca das classificações, nossa metodologia integra diferentes técnicas de XAI. Uma estratégia baseada em preditores binários estima a confiabilidade das decisões do modelo, categorizando-as em confiáveis, incertas ou inconclusivas. Então, métodos baseados em âncoras (anchors) e no Shapley Additive Explanations (SHAP) são usados para explicar o comportamento global e local do modelo. Uma nova forma de exibição das âncoras fornece uma alternativa para interpretar a decisão do modelo preditivo. Por fim, uma abordagem de exibição dos dados, baseada em histogramas e visualizações 3D, auxilia no diagnóstico dos casos incertos ou inconclusivos. Essa metodologia foi avaliada na classificação de imagens histológicas de linfomas não Hodkin e de displasias orais, resultando em modelos com uma acurácia média em torno de 94% e 92%, respectivamente. Com base nas análises de interpretação, foi possível melhorar a compreensão sobre o comportamento de classificadores multiclasse.
Abstract: Computer-aided diagnostic (CAD) systems have been studied as a tool to decrease inter-expert variability and streamline the diagnostic process. In this type of system, computer vision and machine learning techniques are usually employed in the automatic diagnosis from histopathological images. Despite resulting in high precision classifiers, many of these methods are black boxes, in which the knowledge used in the decision is implicit in the model, or is represented in a complex way. This aspect decreases the reliability of the system and makes it difficult to debug. In this context, this work proposes a methodology that integrates multiclass classification and explainable artificial intelligence (XAI) methods to build more interpretable and reliable CAD systems. The prediction is made from morphological and non-morphological descriptors, extracted from the cell nuclei identified in the segmented images. These descriptors are pre-processed and used in the construction of the models. In order to improve the understanding of classifications, our methodology integrates different XAI techniques. A strategy based on binary predictors estimates the reliability of model decisions, categorizing them as reliable, uncertain or inconclusive. Then, methods based on Anchors and Shapley Additive Explanations (SHAP) are used to explain the global and local behavior of the model. A new way of displaying anchors provides an alternative to interpret the predictive model's decision. Finally, a data display approach, based on histograms and 3D visualizations, helps in the diagnosis of uncertain or inconclusive cases. This methodology was evaluated in the classification of histological images of non-Hodkin lymphomas and oral dysplasias, resulting in models with an average accuracy of around 94% and 92%, respectively. Based on the interpretation analyses, it was possible to improve the understanding of the behavior of multiclass classifiers.
Keywords: Inteligência artificial explicável
Explainable artificial intelligence
Classificação multiclasse
Multiclass classification
Descritores morfológicos e não-morfológicos
Morphological and non-morphological descriptors
Imagens histológicas
Histological images
Sistema de apoio ao diagnóstico
Diagnostic support system
Area (s) of CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
Subject: Computação
Inteligência artificial
Histologia - Técnica
Diagnóstico por imagem
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Ciência da Computação
Quote: FARIA, Tiago Pereira de. Metodologia para a classificação multiclasse de imagens histológicas baseada em inteligência artificial explicável. 2022. 118 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.di.2022.198
Document identifier: https://doi.org/10.14393/ufu.di.2022.198
URI: https://repositorio.ufu.br/handle/123456789/35475
Date of defense: 29-Apr-2022
Appears in Collections:DISSERTAÇÃO - Ciência da Computação

Files in This Item:
File Description SizeFormat 
MetodologiaClassificaçãoMulticlasse.pdfDissertação7.47 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons