Analysis of HER2 receptor proteins in breast cancer histology images using semantic segmentation
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/354402
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
En aquest estudi es presenta una solució basada en Deep Learning per identificar i classificar les cèl·lules d'imatges de càncer de mama tenyides amb HER2, una tinció que afecta la membrana cel·lular. Amb aquest propòsit, s'ha seguit un enfocament de segmentació semàntica, entrenant una xarxa U-Net amb un dataset de 105 imatges amb tinció HER2. Posteriorment, s'ha aplicat un post-processament amb algorismes morfològics de segmentació per tal de quantificar les cèl·lules i calcular el score associat al HER2 que s'assigna a cada pacient. S'han obtingut resultats satisfactoris, aconseguint amb el millor model un F1-score de 0.744 per a la detecció de cèl·lules i una precisió del 90% a la quantificació del score HER2, ambdós en el conjunt de validació. Per tant, els resultats demostren que és un bon mètode per a l'anàlisi d'aquest tipus de biomarcadors i que pot proporcionar suport als patòlegs. This study presents a Deep Learning-based solution to identify and classify cells in breast cancer images with HER2 staining, a staining that affects the cell membrane. For this purpose, a semantic segmentation approach has been followed, training a U-Net on a dataset with 105 HER2-stained images. Subsequently, a post-processing with morphological segmentation algorithms has been applied in order to quantify the cells and calculate the HER2-associated score assigned to each patient. Satisfactory results have been obtained, achieving with the best model an F1-score of 0.744 for cell detection and a 90% accuracy in the quantification of the HER2 score, both in the validation set. Therefore, the results demonstrate that it is a good method for the analysis of this type of biomarker and that it can provide support to pathologists. En este estudio se presenta una solución basada en Deep Learning para identificar y
clasificar las células de imágenes de cáncer de mama teñidas con HER2, tinción que afecta
la membrana celular. Para ello se ha seguido un enfoque de segmentación semántica,
entrenando una U-Net en un dataset con 105 imágenes con tinción HER2. Posteriormente
se ha aplicado un postprocesado con algoritmos morfológicos de segmentación para
poder cuantificar las células y calcular el score asociado al HER2 que se asigna a cada
paciente. Se han obtenido resultados satisfactorios, consiguiendo con el mejor modelo un
F1-score del 0.744 para la detección de células y un 90% de accuracy en la cuantificación
del score HER2, ambos en el conjunto de validación. Por lo tanto, los resultados
demuestran que es un buen método para el análisis de este tipo de biomarcador y que
puede dar soporte a los patólogos.
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES (Pla 2017)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
160241.pdf | 47,96Mb | Visualitza/Obre |