Metody pro hierarchickou klasifikaci histopatologických obrazů

Abstract

V posledních letech bylo vyvinuto mnoho metod pro hierarchickou klasifikaci obrazu, které vykazují uplatnění v oblasti automatizace analýzy histologických obrazů. V této práci jsme implementovali některé existující metody, především Quadtree a Recurrent visual attention model, pro detekci metastáz v sentinelových lymfatických uzlinách a porovnali jejich výkonnost na základě různých kritérií. Navrhujeme úpravy stávajících algoritmů, které zlepšují jejich schopnost správně rozlišit mezi nádorovou a normální tkání. Ukazujeme a využíváme také různé nástroje a techniky pro předzpracování snímků celých preparátů, konkrétně extrakci výřezků Clustering-constrained attention multiple instance learning metodou nebo metodou Quadtree. Implementované metody byly porovnány mezi sebou a svými referencemi tím, že jim byla poskytnuta testovací data ze soutěže CAMELYON16. Výsledky byly uspokojivé pro klasifikaci dlaždic na snímcích celých preparátů, přičemž přesnost konvergovala k 87% u Recurrent visual attention modelu a u metody Quadtree k 92% kde dosahovala referenční přesnosti a někdy ji překonávala. Na druhou stranu nejlepší klasifikace snímků celých preparátů z našich implementací byla přibližně 81% u metody Quadtree a přesnost testované metody CLAM byla přibližně 99% která překonala všechny ostatní modely.

In recent years, many methods for hierarchical image classification have been developed showing great promises in the automation of histology image analysis. In this thesis, we implemented some existing methods, mainly the Quadtree approach and the Recurrent visual attention model, for the detection of metastasis in sentinel lymph nodes and compared their performance according to various criteria. We propose modifications to the existing algorithms which improve their ability to correctly distinguish between tumorous and normal tissue. We also show and utilize different tools and techniques for the preprocessing of whole slide images, namely the patch extraction of the Clustering-constrained attention multiple instance learning method or the Quadtree patch extraction. The implemented methods have been compared between each other and their references by providing them with test data from the CAMELYON16 challenge. The results were satisfactory for the classification of tiles in whole slide images, with accuracy converging at 87% for the Recurrent visual attention model and 92% for the Quadtree method reaching reference accuracy and sometimes surpassing it. On the other hand, best slide classification from our implementations was around 81% from the Quadtree method and accuracy of the tested CLAM method was around 99% surpassing all other models.