Show simple item record

Automatic Detection of Metastases in Whole-Slide Lymph Node Images Using Deep Neural Networks



dc.contributor.advisorKybic Jan
dc.contributor.authorPavlína Koutecká
dc.date.accessioned2020-09-04T13:52:32Z
dc.date.available2020-09-04T13:52:32Z
dc.date.issued2020-08-27
dc.identifierKOS-857605045705
dc.identifier.urihttp://hdl.handle.net/10467/89985
dc.description.abstractDigitalizace procesu detekce rakoviny v histopatologických snímcích je předmětem výzkumu posledních let a automatizovaná počítačová analýza založená na hlubokých neuronových sítích ukázala potenciální výhody jako diagnostická strategie. V této práci vyvíjíme metodu pro řešení úlohy automatické detekce metastáz v histologických snímcích lymfatických uzlin. Motivací jsou zejména tyto tři existující soutěže z histologické oblasti: soutěž v detekci rakoviny od Kaggle, CAMELYON16 a CAMELYON17. Nejdříve je vyvinuto základní řešení využívající architekturu ResNet-50 pro klasifikaci patchů, stejně jako je definováno v Kaggle soutěži. Toto řešení je poté rozšířeno a metoda je vylepšena tak, aby prováděla segmentaci nádorů. Navrhujeme použití architektury DeepLabV3 a její porovnání s architekturami Fully Convolutional Network a UNet. DeepLabV3 se ukazuje jako nejschopnější model pro segmentaci nádorů. Následná agregace na úrovni snímků a na úrovni pacientů je implementována pomocí dvou klasifikátorů - Random forest a XGBoost. Evaluace ukazuje, že výkon obou klasifikátorů je srovnatelný. Navržené řešení je otestováno a nahráno do výše uvedených soutěží. Pro všechny tři soutěže se naše řešení ukázalo jako konkurenceschopné.cze
dc.description.abstractDigitisation of cancer recognition in histopathological images is researched topic in recent years, and automated computerised analysis based on deep neural networks has shown potential advantages as a diagnostic strategy. In this thesis, we develop a method for solving the task of automatic metastases detection in whole-slide lymph node images. We are motivated mainly by three existing grand challenges from the histopathologic area: Histopathologic cancer detection challenge by Kaggle, CAMELYON16 and CAMELYON17. First, the baseline solution using ResNet-50 architecture is developed in order of solving the patch classification as defined in Kaggle’s challenge. Baseline solution is then extended, and the method is improved to perform the task of tumour segmentation. We propose to use DeepLabV3 architecture and compare it with Fully Convolutional Network and UNet architectures. DeepLabV3 proves to be the most capable model for tumour segmentation. Slide-level and patient-level aggregation are implemented using two classifiers – Random forest and XGBoost. The evaluation shows that their performance is comparable. The proposed solution is tested and uploaded to the above mentioned grand challenges. For all three challenges, our solution proves to be competitive among other participants.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjecthluboké učenícze
dc.subjectstrojové učenícze
dc.subjectpatologiecze
dc.subjectrakovina prsucze
dc.subjectklasifikacecze
dc.subjectsegmentacecze
dc.subjectbiomedicínské zobrazovánícze
dc.subjectneuronová síťcze
dc.subjectdeep learningeng
dc.subjectmachine learningeng
dc.subjectpathologyeng
dc.subjectbreast cancereng
dc.subjectclassificationeng
dc.subjectsegmentationeng
dc.subjectbiomedical imagingeng
dc.subjectneural networkeng
dc.titleAutomatická detekce metastáz v histologických obrázcích lymfatických uzlin pomocí hlubokých neuronových sítícze
dc.titleAutomatic Detection of Metastases in Whole-Slide Lymph Node Images Using Deep Neural Networkseng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeŠochman Jan
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeKybernetika a robotikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record