Un umbral óptimo multinivel basado en la segmentación de imágenes en color

El diagnóstico preciso del cáncer de mama en imágenes de histopatología es un desafío debido a la heterogeneidad del crecimiento de las células cancerosas, así como a una variedad de lesiones proliferativas benignas del tejido mamario. En este trabajo proponemos una solución de diagnóstico de cáncer invasivo práctica y autointerpretable. Con información de anotación mínima, el método propuesto extrae patrones de contraste entre imágenes normales y malignas de manera no supervisada y genera un mapa de probabilidad de anomalías para verificar su razonamiento. En particular, se utiliza un codificador automático totalmente convolucional para aprender los patrones estructurales dominantes entre los parches de imágenes normales. Los parches que no comparten las características de esta población normal se detectan y analizan mediante una máquina de vectores de soporte de una clase y una red neuronal de una capa. Aplicamos el método propuesto a un conjunto de imágenes públicas de cáncer de mama. Nuestros resultados, en consulta con un patólogo experimentado, demuestran que el método propuesto supera a los métodos existentes. El mapa de probabilidad obtenido podría beneficiar la práctica de patología al proporcionar datos de verificación visualizados y potencialmente conducir a una mejor comprensión de las soluciones de diagnóstico basadas en datos.