BGNDL: arquitetura de deep learning para diferenciação da proteína biglycan em tecido mamário com e sem câncer
| Orientador(a) (dc.contributor.advisor) | Kunst, Rafael | |
| Coorientador(a) (dc.contributor.advisor-co1) | Barbosa, Jorge Luis Victória | |
| Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes) | http://lattes.cnpq.br/6754464380129137 | pt_BR |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/1301443198267856 | pt_BR |
| Autor(a) (dc.contributor.author) | Silva Neto, Pedro Clarindo da | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/0901451989514901 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2022-05-10T13:26:54Z | |
| dc.date.available (dc.date.available) | 2022-05-10T13:26:54Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2022-04-05 | |
| Abstract (dc.description.abstract) | Artificial Intelligence and Machine Learning have become important allies in healthcare. In this context, Deep Learning has provided support for critical medical tasks, including di agnosis, outcome prediction, and treatment response. Histological images, the focus of this work, come from the tissues of the human body. The diagnosis of many diseases, especially malignant diseases, depends on the evaluation of histological sections. Within the scenario of diagnostic imaging evaluations, variations exist. In the literature, it has been shown that de spite the consistency of results in the same rater, there is a difference between different raters. According to the literature, differences in visual perception and clinical training can lead to inconsistencies in diagnostic and prognostic opinions since pathological analysis is naturally subjective. Routine staining of tissues for microscopic study is not always sufficient. In these cases biological markers, the biomarkers, are used as complements. In this regard, the growing interest in biomarker research has increased due to rising research costs and the time required to develop a new compound. For these biomarkers to be used in research, it is necessary that they go through a validation process, where they need to be measured in a test system, where one of the properties, the sensitivity of the biomarker, will be evaluated in this work. With the exposure of this scenario, this work promoted, through Deep Learning, the creation of the CNN architecture that will check, from histological images with the biomarker Biglycan, if there is a difference between the expression of Biglycan between tissues with and without breast cancer . The association of Deep Learning and Biglycan protein expression by DAB staining intensity using color deconvolution is new and necessary for biomarker validation. In this sense, the main contributions of this work are: Creation of an original dataset of histological images with and without breast cancer that were subjected to the immunohistochemistry technique to de termine Biglycan protein expression, Automation of the color deconvolution model to analyze only images with DAB expression and Development of a CNN architecture that can determine whether there is a difference between Biglycan expression between tissues with and without breast cancer. The breast histology images were classified by an average percentage greater than 93%, indicating that there is a difference between Biglycan biomarker expression between tissues with and without breast cancer. | en |
| Resumo (dc.description.resumo) | A Inteligência Artificial e o Aprendizado de Máquina tornaram-se aliados importantes na área da saúde. Nesse contexto, Deep Learning tem oferecido suporte a tarefas médicas críticas, incluindo diagnóstico, previsão de resultados e resposta ao tratamento. As imagens histológicas, foco deste trabalho, são provenientes dos tecidos do corpo humano. O diagnóstico de muitas doenças, principalmente as malignas, depende da avaliação de cortes histológicos. Dentro do cenário das avaliações diagnósticas por imagem, existem variações. Na literatura, demonstrou se que apesar da consistência dos resultados em um mesmo avaliador, existe uma diferença entre diferentes avaliadores. Segundo a literatura, as diferenças na percepção visual e no trei namento clínico podem levar a inconsistências nas opiniões diagnósticas e prognósticas uma vez que a análise patológica é naturalmente subjetiva. A coloração de rotina dos tecidos para estudo microscópico nem sempre é suficiente. Nestes casos são utilizados como complementos os marcadores biológicos, os biomarcadores. Nesse sentido, o crescente interesse pela pesquisa de biomarcadores tem sido percebido devido ao aumento dos custos de pesquisa e do tempo necessário para desenvolver um novo composto. Para que esses biomarcadores sejam utilizados em pesquisas, é necessário que o mesmo passe por um processo de validação, onde ele precisa ser medido em um sistema de teste, onde uma das propriedades, a sensibilidade do biomar cador, será avaliada neste trabalho. Com a exposição deste cenário, este trabalho descreveu, através do Deep Learning, a criação da arquitetura CNN que irá verificar, a partir de imagens histológicas com o biomarcador Biglycan, se há diferença entre a expressão do Biglycan entre tecidos com e sem câncer de mama. A associação de Deep Learning e da expressão da proteína Biglycan, através da intensidade da coloração do DAB, utilizando a deconvolução das cores é nova e necessária para validação do biomarcador. Nesse sentido, as principais contribuições deste trabalho são: Criação de um conjunto de dados original de imagens histológicas com e sem câncer de mama que foram submetidas à técnica de imunohistoquímica para determinar a expressão da proteína Biglycan, Automação do modelo de deconvolução de cores para analisar apenas imagens com expressão DAB e Desenvolvimento de uma arquitetura CNN que possa determinar se há diferença entre a expressão de Biglycan entre tecidos com e sem câncer de mama. As imagens da histologia da mama foram classificadas por uma média percentual su perior a 93%, indicando que há diferença entre a expressão do biomarcador Biglycan entre os tecidos com e sem câncer de mama. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | Nenhuma | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/11265 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Deep learning | en |
| Assunto (dc.subject) | Câncer de mama | pt_BR |
| Assunto (dc.subject) | Biomarcador | pt_BR |
| Assunto (dc.subject) | Biglycan | en |
| Assunto (dc.subject) | Breast cancer | en |
| Assunto (dc.subject) | Biomarker | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | BGNDL: arquitetura de deep learning para diferenciação da proteína biglycan em tecido mamário com e sem câncer | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Pedro Clarindo da Silva Neto_.pdf
- Tamanho:
- 1.06 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- arquitetura_deep
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: