Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων οπτικής μικροσκοπίας από δείγματα βιοψίας παχέος εντέρου με τεχνικές αναγνώρισης προτύπων για διαγνωστικές και εκπαιδευτικές εφαρμογές

• Κύριος συγγραφέας: Θεοδόση, Αγγελική
• Άλλοι συγγραφείς: Theodosi, Angeliki
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Μηχανική μάθηση; Αναγνώριση προτύπων; Βαθειά μάθηση; Καρκίνος παχέος εντέρου-ορθού; Βιοϊατρική επεξεργασία εικόνας; Ανάλυση εικόνας; Ανοσοιστοχημεία; Machine learning; Pattern recognition; Deep learning; Immunohistochemistry ( IHC); AIB1; Colorectal cancer; Image analysis; Biomedical image processing

Η συγκεκριμένη διδακτορική διατριβή εντάσσεται στo πεδίo της Ιατρικής Πληροφορικής και ειδικότερα της Μηχανικής Μάθησης και της Επεξεργασίας και Ανάλυσης εικόνων. Σκοπός της είναι ο σχεδιασμός και η εφαρμογή κατάλληλων αλγορίθμων για την ανάπτυξη ενός συστήματος επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων οπτικής μικροσκοπίας από δείγματα βιοψίας παχέος εντέρου με τεχνικές αναγνώρισης προτύπων για διαγνωστικές και εκπαιδευτικές εφαρμογές. Το συγκεκριμένο σύστημα υποστήριξης απoφάσεων μπορεί να ενσωματωθεί και να αποτελέσει μέρος ενός μεγαλύτερου πληροφοριακού συστήματος για διαγνωστικές και εκπαιδευτικές εφαρμογές. Για την επίτευξη αυτού του σκοπού υλοποιήθηκαν τρεις επιμέρους μελέτες. Αρχικά, μελετήθηκε το θεωρητικό πλαίσιο και πραγματοποιήθηκε βιβλιογραφική έρευνα των μεθοδολογιών αλλά και των σύγχρονων ιατρικών και παιδαγωγικών εφαρμογών τέτοιων πληροφοριακών συστημάτων στην εκπαίδευση των φοιτητών των ιατρικών σχολών, αλλά και στην επιμόρφωση των επαγγελματιών υγείας. Για το Πειραματικό μέρος της διατριβής, μελετήθηκαν εξήντα επτά (67) πλακίδια βιοψίας από ασθενείς με καρκίνο του παχέος εντέρου (CRC). Από το βιολογικό υλικό, ελήφθησαν εικόνες ψηφιακής μικροσκοπίας σε διάφορες μεγεθύνσεις (50x, 200x & 400x). Στην πρώτη μελέτη, η ταξινόμηση των εικόνων έγινε με βάση το βαθμό διαφοροποίσης-grade, όπου ταξινομήθηκαν σε υψηλού (grade I) και χαμηλού βαθμού διαφοροποίησης (grade II and grade III). Για την ανάπτυξη του προγράμματος και τη συγγραφή του κώδικα, χρησιμοποιήθηκε το προγραμματιστικό περιβάλλον του Matlab. Ο διαχωρισμός μεταξύ των δύο κατηγοριών με βάση τα χαρακτηριστικά που επέλεξε το σύστημα Μηχανικής Μάθησης ήταν αποτελεσματικός, όπως αποτυπώθηκε από την τιμή της ROC καμπύλης. Στη δεύτερη μελέτη, σχεδιάστηκε ένα Υβριδικό σύστημα Βαθείας Μάθησης (hDL-system), δίνοντας ως είσοδο σε ένα προ-εκπαιδευμένο Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network) τις επιλεγμένες περιοχές ενδιαφέροντος (ROIs) κάθε εικόνας, προκειμένου να εξαχθούν χαρακτηριστικά Βαθείας Μάθησης (Deep Learning) και να ταξινομηθούν με βάση αυτά οι εικόνες. Επιπλέον, έγινε σύγκριση της ακρίβειας διαχωρισμού του hDL-συστήματος με το αντίστοιχο σύστημα επιβλεπόμενης μηχανικής μάθησης (Supervised Machine Learning System -sMLsystem). Και τα δύο συστήματα υλοποιήθηκαν στο προγραμματιστικό περιβάλλον του Matlab. Ως μέθοδος αξιολόγησης της απόδοσης και των δύο συστημάτων μάθησης εφαρμόστηκε η μέθοδος bootstrap. Ο σχεδιασμός του συστήματος έγινε με χρήση της πλατφόρμας CUDA για τον παράλληλο προγραμματισμό σε μικροεπεξεργαστές μιας Nvidia κάρτας γραφικών. Στην τρίτη μελέτη, διερευνήθηκαν συγκριτικά (α) οι ενδεχόμενες διαφορές στην υφή και το χρώμα του επιθηλιακού ιστού των ασθενών που είχαν επιβιώσει πέντε έτη μετά την αρχική διάγνωση και εκείνων που δεν επιβίωσαν, και (β) η πρόβλεψη της πενταετούς επιβίωσης σε ασθενείς με CRC μέσω μεθόδων Μηχανικής Μάθησης. Συμπερασματικά, το σύστημα Μηχανικής Μάθησης υπό επίβλεψη αποκάλυψε χρήσιμες πληροφορίες για τον διαχωρισμό των εικόνων με βάση το grade, αλλά και με βάση την πενταετή επιβίωση, σημειώνοντας υψηλά ποσοστά ακρίβειας. Αντίστοιχα το υβριδικό Deep Learning σύστημα πέτυχε ακόμη μεγαλύτερη ακρίβεια με τη χρήση χαρακτηριστικών DL τόσο στη μελέτη για τον διαχωρισμό με βάση το grade, όσο και στη μελέτη για την επιβίωση.