Uma limiarização multinível óptima baseada na segmentação de imagens a cores

O diagnóstico preciso do câncer de mama em imagens histopatológicas é um desafio devido à heterogeneidade do crescimento das células cancerígenas, bem como a uma variedade de lesões proliferativas benignas do tecido mamário. Neste trabalho, propomos uma solução prática e autointerpretável para o diagnóstico de câncer invasivo. Com informações mínimas de anotação, o método proposto explora padrões de contraste entre imagens normais e malignas de maneira não supervisionada e gera um mapa de probabilidade de anormalidades para verificar seu raciocínio. Particularmente, um autoencoder totalmente convolucional é usado para aprender os padrões estruturais dominantes entre os patches de imagem normais. Patches que não compartilham as características desta população normal são detectados e analisados ¿¿¿¿por máquina de vetores de suporte de classe única e rede neural de 1 camada. Aplicamos o método proposto a um conjunto público de imagens de câncer de mama. Nossos resultados, em consulta com um patologista sênior, demonstram que o método proposto supera os métodos existentes. O mapa de probabilidade obtido pode beneficiar a prática patológica, fornecendo dados de verificação visualizados e potencialmente levando a uma melhor compreensão das soluções de diagnóstico baseadas em dados.