En aquest projecte, volem fer detecció de zona tumoral de mostres de teixits mamaris tenyides amb Hematoxilina-Eosina. En particular, volem detectar tumors in situ i invasius per separat. Com els patòlegs utilitzen múltiples resolucions en la realització d'aquesta tasca, hem entrenat una xarxa de multiresolució per segmentació semàntica anomenada HookNet. L'arquitectura d'aquesta xarxa permet al model de segmentació prendre un parell d'imatges concèntrices amb diferents resolucions, d'aquesta manera proporcionem a la xarxa informació contextual, així com detalls d'alta resolució de les cèl·lules. Les prediccions de HookNet van obtenir un F-score mitjà de 0,71, superant una U-Net entrenada amb imatges a un nivell de zoom de 10x, que va obtenir un F-score de 0,49. No obstant això, una U-Net entrenada amb imatges amb una magnificació de 2,5x millora els resultats de HookNet i obté un F-score de 0,81.

In this project we want to perform tumorous area segmentation of breast tissue samples stained with Hematoxylin-Eosin. In particular, we want to detect in situ and invasive tumors separately. Since pathologists use multiple resolutions when performing this task, we have chosen and trained a multiresolution network for semantic segmentation called HookNet. The architecture of this network allows the segmentation model to take a pair of concentric images with different resolutions, this way we provide the network with contextual information as well as high resolution details of the cells. The predictions of HookNet obtained an average F-score of 0.71, outperforming a U-Net trained on image patches at 10x magnification level which obtained an F-score of 0.49. However, a single-resolution U-Net trained with imaged at 2.5x magnification level still beat HookNet with an F-score of 0.81.