Segmentazione semantica di tessuto istopatologico mediante Deep Learning

Colorectal cancer (CRC) is a type of cancer that begins in the large intestine (colon), which is the final part of the digestive tract. It typically affects older adults, though it can happen at any age. It usually begins as small, noncancerous (benign) clumps of cells called polyps that form on the inside of the colon. Over time some of these polyps can become colon cancers. There are various parameters to determine the malignant potential of polyps that pathologists analyze: the type of polyps, their size and the degree of dysplasia. In this scope, a proper screening can help to find malignant polyps at an early stage, preventing their transformation into cancer. In this work we aim to build a Deep Learning based system in order to help doctors in this delicate task, for detecting and diagnosing the different types of colorectal polyps and their associated risk. In this work we dealt with UniToPatho, a dataset of annotated high-resolution colorectal images, comprising different histological samples of colorectal polyps, collected from undergoing cancer screening. In particular, we developed a semantic segmentation system based on a U-Net neural network, to produce the semantic masks of the histopathological images contained in UniToPatho. So the various types of cells present in the images are classified. Subsequently, these segmentation masks were used by a GAN (Generative Adversarial Network) to generate new samples of histopathological tissue, to augment UniToPatho.

Il cancro colorettale (CRC) è un tipo di cancro che inizia nell’intestino crasso (colon), che è la parte finale del tratto digestivo. Tipicamente colpisce gli anziani, anche se può verificarsi a qualsiasi età. Di solito inizia come piccoli gruppi di cellule non cancerose (benigne) chiamate polipi che si formano all’interno del colon. Col tempo alcuni di questi polipi possono diventare veri e propri cancri al colon. Ci sono vari parametri per determinare il potenziale maligno dei polipi che i patologi analizzano: il tipo di polipi, la loro grandezza e il loro grado di displasia. In questo ambito, uno screening adeguato può aiutare a trovare i polipi maligni in fase precoce, prevenendo la loro trasformazione in cancro. In questo lavoro il nostro intento è di costruire un sistema basato sul Deep Learning per aiutare i dottori in questo delicato task, per individuare e diagnosticare i differenti tipi di polipi colorettali e il loro rischio associato. In questo lavoro abbiamo trattato UniToPatho, un dataset di immagini colorettali annotate ad alte risoluzioni, che comprende diversi tipi di campioni istologici di polipi colorettali, raccolti da screening cancerosi. In particolare, abbiamo sviluppato un sistema di segmentazione semantica basato su una particolare rete neurale denominata U-Net, per produrre le maschere delle immagini istopatologiche contenute in UniToPatho. In questo modo, si ha la classificazione dei vari tipi di cellule presenti nelle immagini. Successivamente, queste maschere di segmentazione sono state usate da una GAN (Generative Adversarial Network) per generare nuovi campioni di tessuto istopatologico, con lo scopo di estendere UniToPatho.