Publicação: Investigação de técnicas de normalização e segmentação com características interpretáveis para imagens histológicas H&E
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Tosta, Thaína Aparecida Azevedo
Resumo
A displasia epitelial oral é uma condição pré-cancerosa que pode ser identificada por meio da análise de imagens histológicas, geralmente realizada por especialistas. No entanto, o alto volume de trabalho e a variabilidade na experiência clínica tornam esse processo sujeito à subjetividade. Como forma de apoio, ferramentas computacionais têm sido utilizadas com leitura suplementar para auxiliar na tomada de decisão. Este trabalho apresenta uma investigação entre diferentes métodos de normalização de corantes de Hematoxilina e Eosina (H&E) em imagens histológicas e o desenvolvimento de um segmentador de núcleos baseado em uma arquitetura da U-net com interpretabilidade das características. Foram testados métodos de normalização de corantes baseados em aprendizado de dicionário, os quais foram avaliados com quatro métricas distintas. Esses dados foram avaliados em uma arquitetura de segmentação baseada em uma U-Net modificada. Foi explorada a interpretabilidade dos descritores nas camadas internas do modelo com o
objetivo de avaliar a influência da normalização e o melhoramento do desempenho da segmentação com a aplicação da técnica ProtoSeg. Os resultados mostraram que o método de normalização baseado em Distância Euclidiana proporcionou valores médios de 0,897, 44,401, 0,898 e 0,973, respectivamente, para as métricas FSIM, PSNR, QSSIM e SSIM. Além disso, os resultados mostraram que há métodos de normalização que melhoraram a etapa de segmentação, alcançando valores de coeficiente Dice em torno de 0,7683. No
entanto, quando aplicada a estratégia ProtoSeg em conjunto com a normalização, esses resultados não foram superiores. Esse estudo mostrou que a normalização de corantes H&E teve impacto positivo na segmentação apenas quando não é aplicada a interpretabilidade na segmentação.
Abstract
Oral epithelial dysplasia is a precancerous condition that can be identified through the analysis of histological images, typically performed by specialists. However, the high workload and variability in clinical experience make this process susceptible to subjectivity. As a form of support, computational tools have been used as a supplementary aid in decision-making. This work presents an investigation into different Hematoxylin and Eosin (H&E) stain normalization methods in histological images and the development of a nuclei segmenter based on a U-Net architecture with feature interpretability. Dictionary learning-based stain normalization methods were tested and evaluated using four different metrics. These normalized datasets were assessed using a modified U-Net segmentation architecture. Interpretability of the descriptors in the internal layers of the model was
explored to evaluate the influence of normalization and the enhancement of segmentation performance through the application of the ProtoSeg technique. The results showed that the normalization method based on Euclidean Distance yielded average values of 0.897, 44.401, 0.898, and 0.973 for the FSIM, PSNR, QSSIM, and SSIM metrics, respectively. Furthermore, the findings indicated that certain normalization methods improved the segmentation stage, reaching Dice coefficient values around 0.7683. However, when the ProtoSeg strategy was applied alongside normalization, these results were not superior. This study demonstrated that H&E stain normalization had a positive impact on segmentation performance only when interpretability was not applied during the segmentation process.
Palavras-chave
Displasia epitelial oral, Oral Epithelial Dysplasia, Imagens Histológicas, Histological Images, Segmentação de Imagens, Image Segmentation, Normalização de Cores, Color Normalization, Redes Neurais Convolucionais, Convolutional Neural Networks, Interpretabilidade, Interpretability
Citação
FREITAS, André Dias. Investigação de técnicas de normalização e segmentação com características interpretáveis para imagens histológicas H&E. 2025. 99 f. Dissertação (mestrado) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.432.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto