In histopathological diagnosis, a clinical pathologist
discriminates between normal tissues and cancerous tissues.
However, recently, the shortage of clinical pathologists is
posing increasing burdens on meeting the demands for such
diagnoses, and this is becoming a serious social problem.
Currently, it is necessary to develop new medical
technologies to help reduce these burdens. Therefore, as a
diagnostic support technology, this project proposes an
extended method of higher-order local autocorrelation
(HLAC) feature extraction for classification of
histopathological images into normal and anomaly. The
proposed method can automatically classify cancerous
images as anomaly by using extended geometric invariant
HLAC features with rotation- and reflection-invariant
properties from three-level histopathological images, which
are segmented into nucleus, cytoplasm and background. In
conducted experiments, we demonstrate a reduction in the
rate of not only false-negative errors but also of false-
positive errors, where a normal image is falsely classified as
an image with an anomaly that is suspected as being
cancerous.

Dans le diagnostic histopathologique, un pathologiste clinique fait la distinction entre les tissus normaux et les tissus cancéreux. Cependant, récemment, la pénurie de pathologistes cliniques pose un fardeau croissant pour répondre aux demandes de tels diagnostics, et cela devient un problème social sérieux. Actuellement, il est nécessaire de développer de nouvelles technologies médicales pour aider à réduire ces charges. Par conséquent, en tant que technologie d'aide au diagnostic, ce projet propose une méthode étendue d'extraction de caractéristiques d'autocorrélation locale d'ordre supérieur (HLAC) pour la classification des images histopathologiques en normal et en anomalie. La méthode proposée peut classer automatiquement les images cancéreuses en tant qu'anomalies en utilisant des caractéristiques HLAC invariantes géométriques étendues avec des propriétés invariantes de rotation et de réflexion à partir d'images histopathologiques à trois niveaux, qui sont segmentées en noyau, cytoplasme et arrière-plan. Dans les expériences menées, nous démontrons une réduction du taux non seulement d'erreurs de faux négatifs mais aussi d'erreurs de faux positifs, où une image normale est faussement classée comme une image avec une anomalie suspectée d'être cancéreuse.

The advances in image recognition technology enable the
machine learning system to support diagnosis in me dical
imaging. This technology is expected to contribute to a
substantial reduction of the burden on doctors and the
improvement of diagnostic accuracy when it is used for
screening and double checking. Specifically, a support
system is currently under development that analyses
histopathological images to automatically detect suspected
lesions.

Les progrès de la technologie de reconnaissance d'images permettent au système d'apprentissage automatique de prendre en charge le diagnostic en imagerie médicale. Cette technologie devrait contribuer à une réduction substantielle de la charge des médecins et à l'amélioration de la précision du diagnostic lorsqu'elle est utilisée pour le dépistage et le double contrôle. Plus précisément, un système de support est actuellement en cours de développement qui analyse les images histopathologiques pour détecter automatiquement les lésions suspectes.

Computer-aided diagnosis in medical imaging based on machine learning