Klasifikace typu nádoru z histopatologických obrazů

Abstract

V poslední době stoupá frekvence použití strojového učení v celé řadě oblastí vědy a techniky. Jednou z těchto oblastí je i analýza dat z medicinského prostředí. Tato diplomová práce se zabývá využitím strojového učení k analýze histopatologických snímků. Hlavní výzvou při zpracování digitálních histopatologických snímků je jejich velikost. Každý snímek dosahuje velikosti až několik gigabytů. Z tohoto důvodu není možné použít k jejich analýze konvenční metody strojového učení. Cílem práce je navrhnout a naimplementovat robustní klasifikátor, který zvládne ve snímcích detekovat a klasifikovat nádory, navzdory výzvám, které jsou s tím spjaty. K dosažení cíle je využíváno předzpracování dat, prvky hlubokého učení a metoda "multiple instance learning". Implementace použitích metod byly ověřeny na známých datasetech.

In recent years, machine learning has been used increasingly more often in most areas of science and engineering. One such area is the analysis of data from the medical environment. This master thesis is concerned with the application of machine learning on the analysis of histopathological images. The main challenge of the analysis of such images is their size. Each image has a size of up to a few gigabytes. For this reason, it is not possible to use conventional methods of machine learning for their analysis. In this work, we propose a robust classifier, which can detect tumours in the images and classify them, despite the challenges that come with it. To reach this goal, data preprocessing as well as deep learning and multiple instance learning methods are used. The implementation of used methods has been verified on known datasets.