Deep Learning based segmentation and classification of stained nuclei breast cancer histology images
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/354397
Tipus de documentTreball Final de Grau
Data2021-06-28
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
La prognosi del càncer de mama és un procés laboriós pels patòlegs, que realitzen aquesta tasca mitjançant una estimació visual subjectiva i amb una alta variabilitat entre diferents patòlegs. Aquest treball pretén abordar aquest problema amb el desenvolupament d'un algorisme de clasificació i segmentació de nuclis de càncer de mama en imatges histològiques, fent ús de tècniques de deep learning. El model desenvolupat en aquest treball es basa en una arquitectura Mask R-CNN adaptada a les característiques específiques d'aquest problema. Per avaluar el seu rendiment s'han utilitzat mètriques comunes en el camp de la segmentació d'imatge com la F1-Score, entre d'altres, així com també mesures d'error relacionades amb el recompte de nuclis, que és la tècnica utilitzada pels patòlegs. Els resultats obtinguts mostren un bon acompliment de la solució proposada, tant en termes qualitatius com quantitatius, amb una mitjana d'error baixa en el recompte de nuclis (a falta de validació per patòlegs experts en el camp). Per tant, aquest mètode podria considerar-se com a una eina potencialment útil en el procés de prognosi del càncer de mama. Breast cancer prognosis is a laborious process for pathologists, who perform this task by a subjective visual estimation with a high variability among different pathologists. This work aims to tackle this problem by the development of a breast cancer nuclei classification and segmentation algorithm on histology images, making use of deep learning techniques. The model developed in this work is based on a Mask R-CNN architecture, adapted to the specific characteristics of this problem. In order to evaluate its performance, common image segmentation metrics have been used such as the F1-Score, among others, as well as error measures related to nuclei counting, which is the technique used by the pathologists. The obtained results show a good performance of the proposed solution, both in qualitative but also quantitative terms, with a low mean error on nuclei counting (in the absence of validation by expert pathologists on this field). Therefore, this method could be considered as a potentially useful tool for breast cancer prognosis process. La prognosis del cáncer de mama es un proceso laborioso para los patólogos, quienes realizan dicha tarea
mediante una estimación visual subjetiva y con una alta variabilidad entre diferentes patòlogos. Este trabajo
pretende abordar este problema con el desarrollo de un algoritmo de clasificación y segmentación de núcleos
de cáncer de mama en imágenes histológicas, haciendo uso de técnicas de deep learning.
El modelo desarrollado en este trabajo se basa en una arquitectura Mask R-CNN adaptada a las
características especíicas de este problema. Para evaluar su rendimiento se han utilizado métricas comunes
en el campo de la segmentación de imagen como la F1-Score, entre otras, así como también medidas de
error relacionadas con el recuento de núcleos, que es la técnica utilizada por los patólogos.
Los resultados obtenidos muestran un buen desempeño de la solución propuesta, tanto en términos
cualitativos como cuantitativos, con una media de error baja en el recuento de núcleos (a falta de validación
por patólogos expertos en el campo). Por lo tanto, este método podría considerarse como una
herramienta potencialmente útil en el proceso de prognosis del cáncer de mama.
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES (Pla 2017)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
160170.pdf | 5,966Mb | Visualitza/Obre |