Modelos de aprendizado profundo aplicados à detecção de pólipo colorretal
DOI:
https://doi.org/10.56762/tecnia.v10i2.1695Palavras-chave:
Detecção De Objetos, Pólipos, Aprendizado Profundo, Câncer ColorretalResumo
O câncer colorretal, uma das principais causas de mortalidade no mundo, pode ser prevenido com a detecção precoce de pólipos. Este artigo propõe realizar um estudo de detecção de pólipos em imagens de colonoscopia utilizando modelos de redes neurais profundas de detecção de objetos. Para tanto, uma revisão de trabalhos na literatura é realizada com o objetivo de selecionar modelos avançados de detecção de objetos para serem utilizados. Além disso, são apresentados conjuntos de dados públicos de imagens de exames de colonoscopia, usados nos experimentos para detecção de pólipos. Também são apresentadas análises utilizando a técnica de pré-processamento de equalização de histograma, a fim de melhorar o contraste das imagens e, consequentemente, espera-se melhora no desempenho dos modelos. Resultados em termos de precisão, recall e mean average precision (mAP) são apresentados e usados para fins de comparação entre os modelos implementados. Os resultados obtidos indicam que os modelos treinados para a detecção de pólipos apresentaram resultados superiores em relação aos relatados na literatura, evidenciando que esses modelos podem ser um poderoso aliado da medicina no auxílio à detecção de pólipos e na prevenção do câncer colorretal.
Referências
AMERICAN CANCER SOCIETY. Cancer Facts & Figures 2020. [S. l.]: ACS, 2020.
BERNAL, J.; SÁNCHEZ, F. J.; FERNÁNDEZ-ESPARRACH, G.; GIL, D.; RODRÍGUEZ, C.; VILARIñO, F. Wm-dova maps for accurate polyp highlighting in colonoscopy: validation vs. saliency maps from physicians. Computerized Medical Imaging and Graphics, [s. l.], v. 43, p. 99-111, 2015.
BRADSKI, G.; KAEHLER, A. OpenCV. Dr. Dobb’s journal of software tools, [s. l.], v. 3, n. 2, 2000.
DING, X.; ZHANG, X.; MA, N.; HAN, J.; DING, G.; SUN, J. Repvgg: Making vgg- style convnets great again. IEEE, [s. l.], 2021. Disponível em: https://ieeexplore.ieee.org/document/9577516. Acesso em: 9 set. 2025.
ELKARAZLE, K.; RAMAN, V.; THEN, P.; CHUA, C. Detection of colorectal polyps from colonoscopy using machine learning: A survey on modern techniques. National Library of Medicine, [s. l.], 2023. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9953705/. Acesso em: 9 set. 2025.
FEARON, E. R.; VOGELSTEIN, B. A genetic model for colorectal tumorigenesis. National Library of Medicine, [s. l.], 1990. Disponível em: https://pubmed.ncbi.nlm.nih.gov/2188735/. Acesso em: 9 set. 2025.
GONZALEZ, R. C.; WOODS, R. E. Processamento Digital de Imagens. 5. ed. São Paulo: Pearson Education do Brasil, 2007.
IARC GLOBAL CANCER OBSERVATORY. Global cancer statistics 2020: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. [S. l.]: IARC Global Cancer Observatory, 2020. Disponível em: https://pubmed.ncbi.nlm.nih.gov/33538338/. Acesso em: 9 set. 2025.
INSTITUTO NACIONAL DE CÂNCER. Estimativa 2023: incidência de câncer no Brasil. Rio de Janeiro: Inca, 2022. Disponível em: https://www.inca.gov.br/publicacoes/livros/estimativa-2023-incidencia-de-cancer-nobrasil. Acesso em: 9 set. 2025.
JHA, D.; SMEDSRUD, P. H.; RIEGLER, M. A.; HALVORSEN, P.; LANGE, T.; JOHANSEN, D.; JOHANSEN, H. D. Kvasir-seg: A segmented polyp dataset. arXiv, [s. l.], 2020. Disponível em: https://arxiv.org/abs/1911.07069. Acesso em: 9 set. 2025.
JOCHER, G.; CHAURASIA, A.; STOKEN, A.; BOROVEC, J. ultralytics/yolov5: v7.0 yolov5 sota realtime instance segmentation. Zenodo, [s. l.], 2022. DOI: https://doi.org/10.5281/zenodo.7347926.
KRISHNENDU, S.; GEETHA, S.; GOPAKUMAR, G. A review on polyp detection and segmentation in colonoscopy images using deep learning. International Journal of Engineering Research & Technology (IJERT), [s. l.], v. 9, n. 10, 2020. Disponível em: https://www.ijert.org/a-review-on-polyp-detection-and-segmentation-in-colonoscopyimages-using-deep-learning. Acesso em: 9 set. 2025.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. nature, [s. l.], 2015. DOI: https://doi.org/10.1038/nature14539.
LEVIN, B.; LIEBERMAN, D. A.; MCFARLAND, B.; ANDREWS, K. S. Screening and surveillance for the early detection of colorectal cancer and adenomatous polyps, 2008: a joint guideline from the american cancer society, the us multi-society task force on colorectal cancer, and the american college of radiology. National Library of Medicine, [s. l.], 2008. Disponível em: https://pubmed.ncbi.nlm.nih.gov/18384785/. Acesso em: 9 set. 2025.
LI, C.; LI, L.; JIANG, H.; WENG, K.; GENG, Y.; LI, L.; KE, Z.; LI, Q.; CHENG, M.; NIE, W.; LI, Y.; ZHANG, B.; LIANG, Y.; ZHOU, L.; XU, X.; CHU, X.; WEI, X.; WEI, X. Yolov6: A single-stage object detection framework for industrial applications. arXiv, [s. l.], 2022. Disponível em: https://arxiv.org/abs/2209.02976. Acesso em: 9 set. 2025.
LIN, T.-Y.; GOYAL, P.; GIRSHICK, R.; HE, K.; DOLLÁR, P. Focal loss for dense object detection. In: PROCEEDINGS of the IEEE International Conference on Computer Vision. [S. l.: s. n.], 2017. p. 2980-2988.
MA, Y.; CHEN, X.; CHENG, K.; LI, Y.; SUN, B. Ldpolypvideo benchmark: A largescale colonoscopy video dataset of diverse polyps. Medical Image Computing and Computer Assisted Intervention Society, [s. l.], 2021, p. 387-396.
OBERMEYER, Z.; EMANUEL, E. J. Predicting the future - big data, machine learning, and clinical medicine. National Library of Medicine, [s. l.], 2016. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5070532/. Acesso em: 9 set. 2025.
QUEIROZ, J. E. R.; GOMES, H. M. Introdução ao Processamento Digital de Imagens. Campina Grande: UFCG, 2011. Disponível em: http://www.dsc.ufcg.edu.br/~hmg/disciplinas/graduacao/vc-2011.2/RitaTutorialPDI.pdf. Acesso em: 9 set. 2025.
REDMON, J.; DIVVALA, S.; GIRSHICK, R.; FARHADI, A. You only look once: Unified, real-time object detection. arXiv, [s. l.], 2016. Disponível em: https://arxiv.org/abs/1506.02640. Acesso em: 9 set. 2025.
REDMON, J.; FARHADI, A. Yolov3: An incremental improvement. arXiv, [s. l.], 2018. Disponível em: https://arxiv.org/abs/1804.02767. Acesso em: 9 set. 2025.
SOUZA, T.; CORREIA, S. Estudo de técnicas de realce de imagens digitais e suas aplicações. In: II CONGRESSO DE PESQUISA E INOVAÇÃO DA REDE NORTE NORDESTE DE EDUCAÇÃO TECNOLÓGICA, 2007, Paraíba. Anais […]. Paraíba: Connepi, 2007.
TANWAR, S.; VIJAYALAKSHMI, S.; SABHARWAL, M.; KAUR, M.; ALZUBI, A. A.; LEE, H.-N. Detecção e classificação de pólipo colorretal usando aprendizado profundo. BioMed Research International, [s. l.], v. 2024, n. 1, 2022. Disponível em: https://onlinelibrary.wiley.com/doi/full/10.1155/2022/2805607. Acesso em: 9 set. 2025.
TERVEN, J.; CORDOVA-ESPARZA, D. A comprehensive review of yolo: From yolov1 and beyond. arXiv, [s. l.], 2023. Disponível em: https://arxiv.org/abs/2304.00501. Acesso em: 9 set. 2025.
THOMAZ, V. A. Avaliação de Aumento de Dados via Geração de Imagens Sintéticas para Segmentação e Detecção de Pólipos em Imagens de Colonoscopia Utilizando Aprendizado de Máquina. 2020. Tese (Doutorado em Ciências da Computação) —Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2020.
WANG, C.-Y.; BOCHKOVSKIY, A.; LIAO, H.-Y. M. Yolov7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv, [s. l.], 2022. Disponível em: https://arxiv.org/abs/2207.02696. Acesso em: 9 set. 2025.
ZHANG, A.; LIPTON, Z. C.; LI, M.; SMOLA, A. J. Dive into Deep Learning. GitHub, [s. l.], 2023. Disponível em: http://d2l.ai/index.html. Acesso em: 10 set. 2025.
ZHAO, Y.; LV, W.; XU, S.; WEI, J.; WANG, G.; DANG, Q.; LIU, Y.; CHEN, J. Detrs beat yolos on real-time object detection. arXiv, [s. l.], 2023. Disponível em: https://arxiv.org/abs/2304.08069. Acesso em: 9 set. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Categorias
Licença
-
Autores e autoras que publicam na Tecnia concordam com os seguintes termos:
1) Autores e autoras mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores e autoras têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores e autoras têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) após a finalização do processo editorial, já que isso pode aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
