Show simple item record

dc.contributorVilaplana Besler, Verónica
dc.contributorCombalia Escudero, Marc
dc.contributor.authorGarcía Campderrich, Sergio
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.date.accessioned2020-02-27T10:29:10Z
dc.date.available2020-02-27T10:29:10Z
dc.date.issued2019-10-14
dc.identifier.urihttp://hdl.handle.net/2117/178766
dc.description.abstractConfocal 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.
dc.description.abstractLa 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.
dc.description.abstractLa 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.
dc.language.isoeng
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsS'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subjectÀrees temàtiques de la UPC::Enginyeria de la telecomunicació
dc.subject.lcshMachine learning
dc.subject.lcshNeural networks (Computer science)
dc.subject.lcshSignal processing -- Digital techniques
dc.subject.lcshImage processing
dc.subject.othermachine learning
dc.subject.otherneural networks
dc.subject.othermedical image processing
dc.subject.otherimage processing
dc.subject.otherdigital signal processing
dc.subject.otheraprendizaje automatico
dc.subject.otherprocesamiento de imagen
dc.subject.othertratamiendo de imagenes medicas
dc.titleDeep Learning for digitally stained confocal microscopy
dc.title.alternativeData-driven Confocal Microscopy to Hematoxylin and Eosin Transformation
dc.title.alternativeTransformación de microscopia confocal en hematoxilina-eosina basada en datos
dc.title.alternativeTransformació de microscopia confocal a hematoxilina-eosina basada en dades
dc.typeBachelor thesis
dc.subject.lemacAprenentatge automàtic
dc.subject.lemacXarxes neuronals (Informàtica)
dc.subject.lemacTractament del senyal -- Tècniques digitals
dc.subject.lemacImatges -- Processament
dc.identifier.slugETSETB-230.144649
dc.rights.accessOpen Access
dc.date.updated2020-02-24T06:50:35Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona
dc.audience.degreeGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record