Comparação entre redes neurais convolucionais e técnicas de pré-processamento para classificar células HEp-2 em imagens de imunofluorescência

Abstract

As doenças autoimunes são a terceira causa de mortalidade no mundo. A identificação de autoanticorpos nucleares por meio do teste de imunofluorescência indireta (IFI) em células epiteliais humanas (HEp-2 ) é um método convencional para auxiliar no diagnóstico e monitoramento de tais doenças. Entretanto, análises manuais de cé- lulas HEp-2 por IFI foram feitas ao longo dos anos, mas são subjetivas e demoradas. Portanto, a necessidade de métodos automatizados e padronizados é reconhecida e investigada há muito tempo e o desenvolvimento de sistemas de diagnóstico médico auxiliado por computador baseados em processamento de imagens e aprendizado de máquina se tornaram fundamentais. O principal objetivo deste trabalho consiste em avaliar cinco modelos de Redes Neurais Convolucionais (CNNs): LeNet-5, AlexNet, Inception-V3, VGG-16 e ResNet-50, para a tarefa de classificação automática de células HEp-2 e o impacto de seis estratégias de pré-processamento baseadas em alargamento de contraste, centralização de dados e aumento do conjunto de dados. Adicionalmente, a otimização de hiperparâmetros utilizando Tree of Parzen Esti- mators (TPE) é estudada junto a duas possíveis estratégias para explorar o poder das CNNs em diferentes cenários: treinamento completo e fine-tuning. Todos os ex- perimentos foram realizados utilizando o conjunto de dados HEp-2 do ICPR 2014 composto por 13.596 imagens categorizadas em 6 classes. O desempenho da classi- ficação foi avaliado por meio da validação cruzada estratificada com 5-fold sobre o conjunto de treino e a comparação entre os modelos CNN considerou o conjunto de teste. O melhor resultado, em termos de acurácia, foi alcançado treinando o modelo Inception-V3 a partir do zero, sem pré-processamento e com aumento de dados, com valores situados em 98,28%, que supera os resultados apresentados por outros tra- balhos na literatura. Os resultados apontaram que a maioria das CNNs tem melhor desempenho sobre imagens não pré-processadas quando treinadas a partir do zero e com aumento de dados. Embora a técnica de fine-tuning pareça promissora, ela não obteve resultados melhores do que as CNNs treinadas a partir do zero. Talvez, isso seria considerado em cenários em que o tempo de treinamento é um problema, pois a técnica exige menor tempo computacional. Os métodos desenvolvidos neste trabalho podem auxiliar os especialistas em saúde a escolherem corretamente um método de classificação para identificar e acompanhar condições autoimunes e as doenças que as causam.Autoimmune diseases are the third cause of mortality in the world. The identification of antinuclear antibody via indirect immunofluorescence (IIF) test in Human Epithelial-2 (HEp-2) cells is a conventional method to support the diagnosis and monitoring of such diseases. However, manual analyses of HEp-2 cells by IIF have been done along years, but it is subjective and time-consuming. The need for au- tomated and standardized methods is known and persecuted for a long time, and the development of computer-aided diagnosis systems based on image processing and machine learning techniques are fundamental. The main objective of this rese- arch resides in assess five Convolutional Neural Networks (CNNs) models: LeNet-5, AlexNet, Inception-V3, VGG-16 and ResNet-50, for this task of automatic classifi- cation of HEp-2 cells and the impact of six different pre-processing strategies based on contrast improvements, data centralization, and data augmentation. Additio- nally, the hyperparameters optimization using Tree of Parzen Estimators (TPE) is applied, and two possible strategies for exploiting the power of existing CNNs in dif- ferent scenarios are analyzed : from scratch and fine-tuning. All experiments were performed using the HEp-2 dataset from ICPR 2014 composed by 13,596 images classified in six different classes. The classification performance was evaluated using stratified 5-fold cross-validation over the training set, and the comparison among the CNN models considered the test set. The best result, in terms of accuracy, was achieved by training the Inception-V3 model from scratch without preprocessing and with data augmentation, with values lying on 98.28%, which outperforms the results presented in other works in literature. The results pointed out that most of CNNs perform better over non-preprocessed images when trained from scratch and data augmentation. Although fine-tuning technique sounds promising, it did not achieve better results than the CNNs trained from scratch. Maybe, it would be con- sidered in scenarios where training time is an issue, as its computational needs are lower. The methods developed in this research can help health agents to correctly choose a classification method to identify and manage autoimmune conditions and the diseases that cause them.