Deep Learning for digitally stained confocal microscopy
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/178766
Tipus de documentTreball Final de Grau
Data2019-10-14
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
Confocal microscopy is a technology that enables pathologists the rapid analysis of tissue samples for carcinoma detection. However, this technology hasn't established yet in the standard clinical practice because most pathologists lack the knowledge to interpret its output. To address this problem, a data-driven method for transforming confocal micrographs into more familiar looking hematoxylin and eosin like images is presented and evaluated, enabling pathologists to interpret these images without specific training. The main obstacle for defining such transformation is the absence of paired data confocal and hematoxylin and eosin images needed by traditional machine learning frameworks. To overcome this issue, the cycle-consistent generative adversarial networks framework is used. This framework introduces specific problems like unstable training and structure "hallucinations" or elimination which this work tries to quantify and mitigate. La microscopía confocal es una tecnología que permite a los patólogos del análisis rápida de muestras de tejido para la detección de carcinomas. No obstante, esta tecnología todavía no se ha establecido en la práctica clínica estándar para la mayoría de los patólogos no tienen el conocimiento para interpretar su salida. Para abordar este problema, se presenta y evalúa un método basado en datos para transformar las micrografías se confocales en imágenes parecidas a hematoxilina y eosina de aspecto más familiar, lo que permite a los patólogos interpretar estas imágenes sin formación específica ca. El principal obstáculo para de nir esta transformación es la ausencia de datos confocales emparejadas con imágenes de hematoxilina y eosina que necesitan los marcos tradicionales de aprendizaje automático. Para superar este problema, se utiliza el marco de redes generativas antagónicas de ciclo consistente. Este marco presenta problemas específicos como el entrenamiento inestable y la "alucinación" o eliminación de estructuras que este trabajo intenta cuanti caro y mitigar. La microscòpia confocal és una tecnologia que permet als patólegs l'análisi rápida de mostres de teixit per a la detecció de carcinomes. No obstant aixó, aquesta tecnologia encara no s'ha establert en la pràctica clínica estàndard perquè la majoria dels patólegs no tenen el coneixement per interpretar la seva sortida. Per abordar aquest problema, es presenta i avalua un mètode basat en dades per transformar les micrografíes confocals en imatges semblants a hematoxilina i eosina d'aspecte més familiar, el que permet als patólegs interpretar aquestes imatges sense formació específica. El principal obstacle per a definir aquesta transformació és l'abscència de dades confocals aparellades amb imatges d'hematoxilina i eosina que necessiten els marcs tradicionals d'aprenentatge automàtic. Per superar aquest problema, s'utilitza el marc de xarxes generatives antagóniques de cicle consistent. Aquest marc presenta problemes específics com l'entrenament inestable i la "al·lucinació" o eliminació d'estructures que aquest treball intenta quantificar i mitigar.
MatèriesMachine learning, Neural networks (Computer science), Signal processing -- Digital techniques, Image processing, Aprenentatge automàtic, Xarxes neuronals (Informàtica), Tractament del senyal -- Tècniques digitals, Imatges -- Processament
TitulacióGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
project.pdf | 22,13Mb | Visualitza/Obre |