Automatic Detection of Urinary Tract Abnormalities (ADUTA)

Abstract

A influência de sistemas de imagem médica para auxiliar os diagnósticos e tratamentos tem crescido consideravelmente. Relativamente ao trato urinário, a cistoscopia de luz branca é o procedimento padrão que fornece uma visão direta do seu interior, e é especialmente utilizada para diagnóstico e extração de lesões especialmente nos órgãos do trato urinário baixo, como o cancro de bexiga. Contudo, este é regularmente diagnosticado de forma errónea devido à elevada dependência da experiência do urologista, pelo que as regiões suspeitas carecem de uma posterior análise por biópsia. Esta tese aborda o desenvolvimento de soluções de aprendizagem automática para deteção e classificação de diferentes lesões na bexiga. Para isso foi criada uma base de dados contendo cancros de bexiga e inflamações com regiões de interesse anotadas, e foram desenvolvidos dois algoritmos de aprendizagem. O primeiro método consistiu num modelo de classificação ensemble com fusão de descritores que permite preservar a diversidade, que é propriedade fundamental dos ensembles. Este sistema utiliza diferentes descritores baseados em cor e textura (Local Binary Patterns, Wavelets e Histogram of oriented gradients condicionados pela cor) para melhorar o desempenho de classificadores simples. A utilização conjunta dos descritores e do classificador propostos mostraram capacidades semelhantes às redes de aprendizagem profunda, como é o caso da técnica de transferência de conhecimento e das Capsule Neural Networks. Assim, este modelo poderá ser utilizado em casos onde os dados são escassos ou a capacidade computacional é limitada. Na segunda linha de investigação foi desenvolvido um modelo de segmentação de instâncias para múltiplas patologias (cancro de bexiga invasivo e não invasivo e inflamações) baseado na rede Mask R-CNN. Esta rede aborda a baixa qualidade das segmentações das lesões reportadas em modelos anteriores através da utilização de mapas de características de mais baixo nível e das informações de fronteira das lesões. Para aumentar a diversidade dos dados foi desenvolvida uma rede condicional pix2pixHD ajustada por textura. O otimizador momentum de 2.ª ordem desenvolvido mostrou ser benéfico relativamente ao momentum clássico. Os métodos desenvolvidos mostraram que podem ser integrados na rotina dos urologistas após algumas melhorias.

The influence of medical imaging in supporting diagnosis and treatments in healthcare units is constantly growing. Regarding urinary organs, white light cystoscopy is the standard procedure that allows direct inner visualization and is especially used for lower urinary tract lesions diagnosis, such as bladder cancer, as well as its resection. Despite providing a clear overview of the organ, cystoscopy often fails to accurately diagnose, as it relies on a posterior tissue biopsy confirmation and on the urologists' experience and expertise. In this thesis, the main objective was to develop solutions for the automatic detection and classification of different lesions present in the bladder. These developments included the creation of an annotated dataset of bladder cancers and inflammations and two approaches applying machine learning algorithms. The first research line consisted of a feature-engineering-based classification ensemble, which follows a feature fusion scheme to preserve diversity; the main property o ensembles. This system takes advantage of features of different nature to improve single models’ performances that rely on color and texture characterization (Local binary Patterns, Wavelets, and color-dependent Histogram of Oriented Gradients). Both feature extraction and classification methods performed similarly to those obtained using Deep Learning strategies, such as Transfer Learning and Capsule Neural Networks, and may be preferable when having small datasets or limited computational power. The second research line consisted of a multiple pathology instance segmentation method based on Mask R-CNN in which non-muscle-invasive and muscle-invasive bladder cancer and inflammation could be segmented and classified. This framework addresses the lack of mask quality reported in previous models taking advantage of low-level feature maps and objects’ boundaries information. Data augmentation carried out by a texture-modeled pix2pixHD conditional Generative Adversarial Network expanded data diversity, and the proposed accelerated second-order momentum optimizer significantly improved the training. The developed methods proved that with some improvements, such as by creating a larger well-annotated public database, they could be part of urologists’ daily routine.