Diagnostic assisté par ordinateur en imagerie médicale basé sur l'apprentissage automatique

Fournir une méthode d'IA pour alléger le fardeau croissant du diagnostic histopathologique par les humains.

Détection des anomalies d'image.

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.