An interpretable graph neural network for histological image analysis (2025)
- Authors:
- Autor USP: MARTINS, LUAN VINICIUS DE CARVALHO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2025.tde-11082025-101431
- Subjects: REDES NEURAIS; APRENDIZADO COMPUTACIONAL; DIAGNÓSTICO POR COMPUTADOR; DIAGNÓSTICO DA SITUAÇÃO DE SAÚDE; NEOPLASIAS
- Keywords: Graph Neural Network; Histopathology; Histopatologia; Rede Neural em Grafos; Whole Slide Image; Whole Slide Image
- Agências de fomento:
- Language: Inglês
- Abstract: Os rápidos avanços no aprendizado de máquina abriram novas possibilidades para resolver problemas complexos, incluindo em aplicações altamente especializadas com grande impacto em doenças relevantes, como o câncer. Um aspecto crítico do tratamento do câncer é a análise de imagens histopatológicas, uma área que consiste em analisar imagens de alta resolução e zoom em nível de microscópio, permitindo entendender como a doença afetou o paciente, e desenvolver estratégias personalizadas de tratamento. No entanto, o progresso nessa área depende da colaboração interdisciplinar e do desenvolvimento de métodos que utilizam datasets anotados de alta qualidade de forma eficaz. Nesta tese, abordamos esses desafios propondo um novo software de anotação colaborativa para Whole Slides Images. Usando o software, auxiliamos na construção de novos datasets anotados focando em resolver aplicações específicas. Por fim, inspirados pela metodologia de trabalho de patologistas, desenvolvemos uma nova técnica de Graph Neural Network (GNN) baseada em mapas de ativação que modela a representação da vizinhança com base na presença ou ausência de atributos nela. Nossa abordagem é baseada na arquitetura Message Passing, que embora muito popular, pode limitar a representação de grafos por sofrer de desafios como injetabilidade limitada e oversquashing, dependendo da arquitetura e tarefa da GNN. Além disso, aumentar o campo receptivo de GNN tradicionais requer tornar a rede mais profunda, o que introduznovos desafios, tal como maior requisito de processamento. Em contraste, nossa abordagem consiste em projetar os atributos do grafo para uma representação de mapa com tamanho fixo, por meio da técnica de Mapas Auto-Organizáveis. As regiões do mapa são ativadas com base na presença e distância de atributos a partir do vertice central, considerando o campo receptivo configurável do modelo. Por fim, o mapa de ativação mantém os atributos dos vértices dentro de seu domínio original durante a agregação, o que traz benefícios para interpretabilidade. Concluímos este trabalho treinando a GNN proposta em um novo dataset anotado com a ferramenta desenvolvida e usando a explicabilidade do método para destacar os padrões que a técnica identificou, contrastando-os com as expectativas de um patologista. Este trabalho contribui para o avanço da análise de imagens histopatológicas ao propor ferramentas de pesquisa, novos dados e métodos, abrindo caminho para uma medicina personalizada baseada em IA mais precisa e confiável.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 01.04.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
MARTINS, Luan Vinicius de Carvalho. An interpretable graph neural network for histological image analysis. 2025. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082025-101431/. Acesso em: 22 jan. 2026. -
APA
Martins, L. V. de C. (2025). An interpretable graph neural network for histological image analysis (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082025-101431/ -
NLM
Martins LV de C. An interpretable graph neural network for histological image analysis [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082025-101431/ -
Vancouver
Martins LV de C. An interpretable graph neural network for histological image analysis [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082025-101431/ - A Two-Stage Particle Competition Model for Unbalanced Community Detection in Complex Networks
- WSI2ML: an open-source whole slide image annotation software for machine learning applications
- Particle competition for unbalanced community detection in complex networks
- Modelling graph neural network by aggregating the activation maps of self-organizing map
- Weakly-supervised deep learning models enable HER2-low prediction from H &E stained slides
Informações sobre o DOI: 10.11606/T.55.2025.tde-11082025-101431 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
