Segmentação automática de fibrose em imagens histológicas de tecidos corados com picrosirius red utilizando algoritmos de aprendizado de máquina supervisionado e não supervisionado

• Ano de defesa: 2025
• Autor(a) principal: Silva, Evelyn Rocha
• Orientador(a): Uchiyama, Tatiana de Sousa da Cunha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/48912/0013000021bqx
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Fibrose; Colágeno; Segmentação; Aprendizado de máquina
• Link de acesso: https://hdl.handle.net/11600/73732

A fibrose é caracterizada pelo acúmulo excessivo de colágeno em órgãos após episódios de inflamação crônica, comprometendo significativamente sua função normal. A detecção e quantificação precisas do colágeno são fundamentais para diagnósticos assertivos e tratamentos eficazes. A coloração Picrosirius Red (PSR) é amplamente reconhecida como o padrão-ouro para essa finalidade, no entanto exige equipamentos caros para aquisição e softwares de alto custo para quantificação das áreas marcadas. Neste estudo, métodos de aprendizado de máquina foram aplicados para identificar colágeno em imagens histológicas obtidas por microscopia simples, comparando abordagens supervisionadas e não supervisionadas. Foram investigadas três técnicas principais: K-Means, Perceptron Multicamadas (MLP) e U-Net. No primeiro artigo, analisou-se o desempenho do K-Means e do MLP utilizando 120 imagens histológicas de rim, coração e tendão de roedores. Já o segundo artigo aprimorou o MLP e o comparou à U-Net. As imagens padrão-ouro foram obtidas por microscopia de luz polarizada, enquanto os canais RGB das micrografias foram analisados para identificar e delimitar as regiões de colágeno. Os resultados demonstraram que o MLP superou o K-Means, atingindo uma acurácia média de 96,89% no primeiro estudo. No segundo estudo, ao incluir mais características no banco de dados e equilibrar melhor as imagens de treinamento, tanto o MLP quanto a U-Net alcançaram desempenhos semelhantes, com uma leve superioridade do MLP. Isso ressalta a importância de expandir e balancear os dados de treinamento para maximizar a eficiência das redes neurais. Além disso, foi observada maior facilidade na classificação do colágeno perivascular em comparação ao intersticial. Com base nos resultados obtidos, conclui-se que os métodos propostos apresentaram alto desempenho na segmentação de colágeno. O MLP demonstrou maior robustez em algumas situações específicas, enquanto a U-Net mostrou-se mais eficiente em termos de tempo de processamento. O estudo evidencia que algoritmos de aprendizado de máquina são ferramentas promissoras para simplificar, reduzir custos e aprimorar significativamente a análise de fibrose tecidual.