Mapas de atención para destacar pólipos potenciales durante la colonoscopia

Attention Maps to Highlight Potential Polyps during Colonoscopy

Autores/as

Palabras clave:

colorectal cancer, polyp detection, dense Hough transform, attention maps (en).

Palabras clave:

cáncer de colon, detección de pólipos, transformada densa de Hough, mapas de atención (es).

Descargas

Resumen (es)

Contexto: Los pólipos son masas protuberantes que crecen a lo largo del tracto intestinal y se consideran los principales precursores del cáncer de colon. En las etapas tempranas, la detección de pólipos representa una probabilidad de supervivencia de hasta el 93%, mientras que, en otras etapas, esta probabilidad disminuye hasta el 8%. A pesar de que la colonoscopia es el método más efectivo para detectar pólipos, varios estudios han demostrado una tasa de pérdida de hasta el 26% en la detección pólipos. Las herramientas computacionales han surgido como una alternativa para soportar la detección y localización de pólipos, pero varios problemas siguen abiertos debido a la alta variabilidad de los mismos.

Método: Este trabajo introduce una estrategia computacional que produce mapas de atención visual con la localización más probable de los pólipos para generar alarmas y apoyar la tarea de detección. Cada fotograma de colonoscopia se descompone en un conjunto de características profundas extraídas de arquitecturas preentrenadas. Dichas características se codifican en una representación densa de Hough para obtener una plantilla del pólipo, que posteriormente se propaga en cada fotograma para obtener los mapas de atención visual. Las regiones máximas son proyectadas a la colonoscopia para dibujar las regiones sospechosas de pólipo.

Resultados:  La estrategia propuesta fue evaluada en los conjuntos de datos ASU-Mayo Clinic y CVC-Video Clinic, reportando una exactitud de 70% de detección entre las cuatro regiones más probables, mientras que con diez regiones se tiene un 80%.

Conclusiones:  Los mapas de atención obtenidos destacan las regiones más probables con pólipos. El enfoque propuesto puede ser útil para apoyar el análisis de la colonoscopia.

Resumen (en)

Context: Polyps are protruding masses that grow along the intestinal tract and are considered to be the main precursors of colorectal cancer. In early stages, polyp detection represents a survival probability of up to 93%, whereas, for other stages, this probability can decrease to 8%. Despite the fact that colonoscopy is the most effective method to detect polyps, several studies have shown a loss rate of up to 26% in detecting polyps. Computer tools have emerged as an alternative to support polyp detection and localization, but various problems remain open due to their high variability.

Method: This work introduces a computational strategy that produces visual attention maps with the most probable location of polyps to generate alarms and support detection procedures. Each colonoscopy frame is decomposed into a set of deep features extracted from pre-trained architectures. Such features are encoded into a dense Hough representation in order to obtain a polyp template, which is then propagated in each frame to obtain a visual attention map. The maximum regions are back-projected to the colonoscopy in order to draw suspicious polyp regions.

Results: The proposed strategy was evaluated in the ASU-Mayo Clinic and CVC-Video Clinic datasets, reporting a detection accuracy of 70% among the four most probable regions, while ten regions yielded 80%.

Conclusions: The obtained attention maps highlight the most probable regions with suspicious polyps. The proposed approach may be useful to support colonoscopy analysis.

Biografía del autor/a

Fabio Martínez Carrillo, Universidad Industrial de Santander

ngeniero mecatrónico, Máster en Ingeniería Biomédica, Doctorado en Ingeniería de Sistemas e Informática. Profesor de la Universidad Industrial de Santander

Lina Marcela Ruiz García, Universidad Industrial de Santander

Ingeniero informático, estudiante de Magíster en Ingeniería Informática de la Universidad Industrial de Santander. Bucaramanga

Luis Carlos Guayacan Chaparro, Universidad Industrial de Santander

Ingeniero Eléctrico, Magíster en Matemática Aplicada, estudiante de Doctorado en Informática de la Universidad Industrial de Santander. Bucaramanga

Referencias

Akbari, M., Mohrekesh, M., Rafiei, S., Reza Soroushmehr, S., Karimi, N., Samavi, S., & Najarian, K. (2018). Classification of informative frames in colonoscopy videos using convolutional neural networks with binarized weights [Conference presentation]. 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, HI, USA. https://doi.org/10.1109/EMBC.2018.8512226

Alagappan, M., Brown, J. R., Mori, Y., & Berzin, T. M. (2018). Artificial intelligence in gastrointestinal endoscopy: The future is almost here. World Journal of Gastrointestinal Endoscopy, 10(10), 239-249. https://doi.org/10.4253/wjge.v10.i10.239

Angermann, Q., Histace, A., & Romain, O. (2016). Active learning for real time detection of polyps in videocolonoscopy. Procedia Computer Science, 90, 182-187.

Angermann, Q., Bernal, J., Sánchez-Montes, C., Hammami, M., Fernández-Esparrach, G., Dray, X., Romain, O., Sánchez, F. J., & Histace, A. (2017). Towards real-time polyp detection in colonoscopy videos: Adapting still frame-based methodologies for video sequences analysis. In M. J. Cardoso, T. Arbel, X. Luo, S. Wesarg, T. Reichl, M. Á. González-Ballester, J. McLeod, K. Drechsler, T. Peters, M. Erdt, K. Mori, M. G. Linguraru, A. Uhl, C. O. Laura, & R. Shekhar (Eds.), Computer Assisted and Robotic Endoscopy and Clinical Image-Based Procedures (pp. 29-41). Springer. https://doi.org/10.1007/978-3-319-67543-5_3

Basave, H. (2018). Cáncer de colon y recto. McGraw-Hill Education.

Bernal, J., Tajkbaksh, N., Sánchez, F., Matuszewski, B., Chen, H., Yu, L., Angermann, Q., Romain, O., Rustad, B., Balasingham, I., Pogorelov, K., Choi, S., Debard, Q., Maier-Hein, L., Speidel, S., Stoyanov, D., Brandao, P., Córdova, H., Sánchez-Montes, C. . . . Histace, A. (2017). Comparative Validation of Polyp Detection Methods in Video Colonoscopy: Results From the MICCAI 2015 Endoscopic Vision Challenge. IEEE Transactions on Medical Imaging, 36(6), 1231-1249. https://doi.org/10.1109/TMI.2017.2664042

Bernal, J., Histace, A., Masana, M., Angermann, Q., Sánchez-Montes, C., Rodriguez, C., Hammami, M., García-Rodríguez, A., Córdova, H., Romain, H., Fernández-Esparrach, G., Dray, X., & Sánchez, J. (2018). Polyp detection benchmark in colonoscopy videos using gtcreator: A novel fully configurable tool for easy and fast annotation of image databases [Conference presentation]. 32nd CARS Conference, Berlin, Germany.

Bertalmio, M., Bertozzi, A., & Sapiro, G. (2001, December 8-14). Navier-stokes, fluid dynamics, and image and video inpainting [Conference presentation]. 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Kauai, HI, USA. https://doi.org/10.1109/CVPR.2001.990497

Bressler, B., Paszat, L., Chen, Z., Rothwell, D., Vinden, C., & Rabeneck, L. (2007). Rates of new or missed colorectal cancers after colonoscopy and their risk factors: A population-based analysis. Gastroenterology, 132(1), 96-102. https://doi.org/10.1053/j.gastro.2006.10.027

Cohan, J., & Varma, M. (2018). Diagnóstico y tratamiento quirúrgicos (14th ed.). McGraw-Hill Education.

Dávila, R., Rajan, E., & Baron, T. (2006). ASGE guideline: Colorectal cancer screening and surveillance. Gastrointestinal Endoscopy, 63(4), 546-557. https://doi.org/10.1016/j.gie.2006.02.002

Du, W., Rao, N., Liu, D., Jiang, H., Luo, C., Li, Z., Gan, T., & Zeng, B. (2019). Review on the applications of deep learning in the analysis of gastrointestinal endoscopy images. IEEE Access, 7, 142053-142069. https://doi.org/10.1109/ACCESS.2019.2944676

Fan, D., Ji, G., Zhou, T., Chen, G., Fu, H., Shen, J., & Shao, L. (2020). Pranet: Parallel reverse attention network for polyp segmentation. In A. L. Martel, P. Abolmaesumi, D. Stoyanov, D. Mateus, M. A. Zuluaga, S. K. Zhou, D. Racoceanu, & L. Joskowicz (Eds.), Medical Image Computing and Computer Assisted Intervention – MICCAI 2020 (pp. 263-273). Springer. https://doi.org/10.1007/978-3-030-59725-2_26

Ferlay, J., Colombet, M., Soerjomataram, I., Mathers, C., Parkin, D., Piñeros, M., Znaor, A., & Bray, F. (2019). Estimating the global cancer incidence and mortality in 2018: GLOBOCAN sources and methods. International Journal of Cancer, 144(8), 1941-1953. https://doi.org/10.1002/ijc.31937

Figueiredo, P., Figueiredo, I., Pinto, L., Kumar, S., Tsai, Y., & Mamonov, A. (2019). Polyp detection with computer-aided diagnosis in white light colonoscopy: comparison of three different methods. Endoscopy International Open, 7(02), E209-E215. https://doi.org/10.1055/a-0808-4456

Giral-Ramírez, W., Celedón-Flórez, H., Galvis-Restrepo, E., & Zona-Ortiz, A. (2017). Redes inteligentes en el sistema eléctrico colombiano: revisión de tema. Tecnura, 21(53), 119-137. https://doi.org/10.14483/22487638.12396

Hernández, C., Sánchez-Huertas, W., & Gómez, V. (2021). Optimal power flow through artificial intelligence techniques. Tecnura, 25(69), 150-170. https://doi.org/10.14483/22487638.18245

Hidalgo-Suárez, C., Llanos-Mosquera, J., & Bucheli-Guerrero, V. (2021). Una revisión sistemática sobre aula invertida y aprendizaje colaborativo apoyados en inteligencia artificial para el aprendizaje de programación. Tecnura, 25(69), 196-214. https://doi.org/10.14483/22487638.16934

Kuperij, N., Reilink, R., Schwartz, M., Stramigioli, S., Misra, S., & Broeders, I. (2011, September 25-30). Design of a user interface for intuitive colonoscope control [Conference presentation]. 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems, San Francisco, California, USA. https://doi.org/10.1109/IROS.2011.6094980

le Clercq, C., Bouwens, M. W., Rondagh, E., Bakker, C., Keulen, E., de Ridder, R., Winkens, B., Masclee, A. A. M., & Sanduleanu, S. (2014). Postcolonoscopy colorectal cancers are preventable: A population-based study. Gut, 63(6), 957-963. https://doi.org/10.1136/gutjnl-2013-304880

Manzanera, A. (2012). Dense Hough transforms on gray level images using multi-scale derivatives [Conference presentation]. SIXIEME WORKSHOP AMINA 2012, Applications Médicales de l'Informatique: Nouvelles Approches, Mahdia, Tunisia.

Mo, X., Tao, K., Wang, Q., & Wang, G. (2018, August 20-24). An efficient approach for polyps detection in endoscopic videos based on Faster R-CNN [Conference presentation]. 2018 24th International Conference on Pattern Recognition (ICPR), Beijing, China. https://doi.org/10.1109/ICPR.2018.8545174

Pérez, E. (2012). Gastroenterología. McGraw Hill Mexico.

Rabeneck, L., & Paszat, L. (2010). Circumstances in which colonoscopy misses cancer. Frontline Gastroenterology, 1(1), 52-58. https://doi.org/10.1136/fg.2009.000257

Shin, Y., & Balasingham, I. (2017, July 11-15). Comparison of hand-craft feature based SVM and CNN based deep learning framework for automatic polyp classification [Conference presentation]. 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Jeju Island, South Korea. https://doi.org/10.1109/EMBC.2017.8037556

Shin, Y., Qadir, H., Aabakken, L., Bergsland, J., & Balasingham, I. (2018). Automatic colon polyp detection using region based deep CNN and post learning approaches. IEEE Access, 6, 40950-40962. https://doi.org/10.1109/ACCESS.2018.2856402

Tajbakhsh, N., Gurudu, S., & Liang, J. (2015, April 16-19). Automatic polyp detection in colonoscopy videos using an ensemble of convolutional neural networks [Conference presentation]. 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI), Brooklyn, NY, USA. https://doi.org/10.1109/ISBI.2015.7163821

Tajbakhsh, N., Gurudu, S., & Liang, J. (2016). Automated polyp detection in colonoscopy videos using shape and context information. IEEE Transactions on Medical Imaging, 35(2), 630-644. https://doi.org/10.1109/TMI.2015.2487997

Tarik, G., Khalid, A., Jamal, K., & Benajah, D. (2016, October 24-26). Polyps's region of interest detection in colonoscopy images by using clustering segmentation and region growing [Conference presentation]. 2016 4th IEEE International Colloquium on Information Science and Technology (CiSt), Tangier, Morocco. https://doi.org/10.1109/CIST.2016.7805090

Urban, G., Tripathi, P., Alkayali, T., Mittal, M., Jalali, F., Karnes, W., & Baldi, P. (2018). Deep learning localizes and identifies polyps in real time with 96% accuracy in screening colonoscopy. Gastroenterology, 155(4), 1069-1078. https://doi.org/10.1053/j.gastro.2018.06.037

van Rijn, J., Reitsma, J., Stoker, J., Bossuyt, P., Van Deventer, S., & Dekker, E. (2006). Polyp miss rate determined by tandem colonoscopy: a systematic review. Official Journal of the American College of Gastroenterology, 101(2), 343-350. https://doi.org/10.1111/j.1572-0241.2006.00390.x

Wang, Y., Tavanapong, W., Wong, J., Oh, J., & De Groen, P. (2013). Part-based multiderivative edge cross-sectional profiles for polyp detection in colonoscopy. IEEE Journal of Biomedical and Health Informatics, 18(4), 1379-1389. https://doi.org/10.1109/JBHI.2013.2285230

Zhang, R., Zheng, Y., Poon, C., Shen, D., & Lau, J. (2018). Polyp detection during colonoscopy using a regression-based convolutional neural network with a tracker. Pattern Recognition, 83, 209-219. https://doi.org/10.1016/j.patcog.2018.05.026

Zheng, H., Chen, H., Huang, J., Li, X., Han, X., & Yao, J. (2019, April 8-11). Polyp tracking in video colonoscopy using optical flow with an on-the-fly trained CNN [Conference presentation]. 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI), Venice, Italy. https://doi.org/10.1109/ISBI.2019.8759180

Cómo citar

APA

Martínez Carrillo, F., Ruiz García, L. M., & Guayacan Chaparro, L. C. (2022). Mapas de atención para destacar pólipos potenciales durante la colonoscopia. Tecnura, 27(75). https://doi.org/10.14483/22487638.18195

ACM

[1]
Martínez Carrillo, F., Ruiz García, L.M. y Guayacan Chaparro, L.C. 2022. Mapas de atención para destacar pólipos potenciales durante la colonoscopia. Tecnura. 27, 75 (nov. 2022). DOI:https://doi.org/10.14483/22487638.18195.

ACS

(1)
Martínez Carrillo, F.; Ruiz García, L. M.; Guayacan Chaparro, L. C. Mapas de atención para destacar pólipos potenciales durante la colonoscopia. Tecnura 2022, 27.

ABNT

MARTÍNEZ CARRILLO, F.; RUIZ GARCÍA, L. M.; GUAYACAN CHAPARRO, L. C. Mapas de atención para destacar pólipos potenciales durante la colonoscopia. Tecnura, [S. l.], v. 27, n. 75, 2022. DOI: 10.14483/22487638.18195. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18195. Acesso em: 7 dic. 2022.

Chicago

Martínez Carrillo, Fabio, Lina Marcela Ruiz García, y Luis Carlos Guayacan Chaparro. 2022. «Mapas de atención para destacar pólipos potenciales durante la colonoscopia». Tecnura 27 (75). https://doi.org/10.14483/22487638.18195.

Harvard

Martínez Carrillo, F., Ruiz García, L. M. y Guayacan Chaparro, L. C. (2022) «Mapas de atención para destacar pólipos potenciales durante la colonoscopia», Tecnura, 27(75). doi: 10.14483/22487638.18195.

IEEE

[1]
F. Martínez Carrillo, L. M. Ruiz García, y L. C. Guayacan Chaparro, «Mapas de atención para destacar pólipos potenciales durante la colonoscopia», Tecnura, vol. 27, n.º 75, nov. 2022.

MLA

Martínez Carrillo, F., L. M. Ruiz García, y L. C. Guayacan Chaparro. «Mapas de atención para destacar pólipos potenciales durante la colonoscopia». Tecnura, vol. 27, n.º 75, noviembre de 2022, doi:10.14483/22487638.18195.

Turabian

Martínez Carrillo, Fabio, Lina Marcela Ruiz García, y Luis Carlos Guayacan Chaparro. «Mapas de atención para destacar pólipos potenciales durante la colonoscopia». Tecnura 27, no. 75 (noviembre 9, 2022). Accedido diciembre 7, 2022. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18195.

Vancouver

1.
Martínez Carrillo F, Ruiz García LM, Guayacan Chaparro LC. Mapas de atención para destacar pólipos potenciales durante la colonoscopia. Tecnura [Internet]. 9 de noviembre de 2022 [citado 7 de diciembre de 2022];27(75). Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18195

Descargar cita

Visitas

15

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.