Uma limiarização multinível óptima baseada na segmentação de imagens a cores

O diagn stico preciso do c ncer de mama em imagens histopatol gicas um desafio devido heterogeneidade do crescimento das c lulas cancer genas, bem como a uma variedade de les es proliferativas benignas do tecido mam rio. Neste trabalho, propomos uma solu o pr tica e autointerpret vel para o diagn stico de c ncer invasivo. Com informa es m nimas de anota o, o m todo proposto explora padr es de contraste entre imagens normais e malignas de maneira n o supervisionada e gera um mapa de probabilidade de anormalidades para verificar seu racioc nio. Particularmente, um autoencoder totalmente convolucional usado para aprender os padr es estruturais dominantes entre os patches de imagem normais. Patches que n o compartilham as caracter sticas desta popula o normal s o detectados e analisados ​​​​por m quina de vetores de suporte de classe nica e rede neural de 1 camada. Aplicamos o m todo proposto a um conjunto p blico de imagens de c ncer de mama. Nossos resultados, em consulta com um patologista s nior, demonstram que o m todo proposto supera os m todos existentes. O mapa de probabilidade obtido pode beneficiar a pr tica patol gica, fornecendo dados de verifica o visualizados e potencialmente levando a uma melhor compreens o das solu es de diagn stico baseadas em dados.