Aprendizado de máquina aplicado à quantificação do índice de proliferação em osteossarcomas caninos

Abstract

O osteossarcoma canino é uma das neoplasias ósseas mais agressivas na espécie, cujo prognóstico é frequentemente avaliado pelo índice de proliferação celular através do marcador imuno- histoquímico Ki-67. A obtenção deste índice depende da contagem manual de células em lâminas histopatológicas, um processo tradicionalmente laborioso, repetitivo e sujeito a elevada variabilidade inter e intraobservador. O advento da patologia digital permitiu o desenvolvimento de ferramentas computacionais para superar essas limitações. Neste contexto, o presente trabalho tem como objetivo propor e validar uma rotina computacional para a segmentação e contagem automatizada de células em proliferação e células saudáveis em imagens histológicas, visando a obtenção do índice de proliferação celular. A metodologia proposta explora duas abordagens distintas: o desenvolvimento de uma pipeline baseada em técnicas clássicas de processamento de imagens, e, para fins comparativos, o desenvolvimento de um modelo de aprendizado profundo baseado em Redes Neurais Convolucionais. Para viabilizar o estudo, foi criada uma base de dados de lâminas digitalizadas e anotadas por patologistas especialistas.

Canine osteosarcoma is one of the most aggressive bone neoplasms in the species, whose prognosis is frequently assessed by the cell proliferation index using the Ki-67 immunohistochemical marker. Obtaining this index depends on the manual counting of cells in histopathological slides, a process that is traditionally laborious, repetitive, and subject to high inter- and intra-observer variability. The advent of digital pathology has allowed the development of computational tools to overcome these limitations. In this context, this work proposes and validate a computational routine for the automated segmentation and counting of proliferating cells and healthy cells in histological images, aiming to obtain the cell proliferation index. The proposed methodology explores two distinct approaches: the development of a pipeline based on classic image processing techniques, and, for comparative purposes, the development of a deep learning model based on Convolutional Neural Networks. To enable the study, a database of digitized slides annotated by expert pathologists was created.