Histopathology Image Analysis for Breast Cancer Diagnosis
| Autor: | Segon Mayans, Maria Elisabet |
|---|---|
| Přispěvatelé: | Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions, Salembier Clairon, Philippe Jean, Marqués Acosta, Fernando |
| Jazyk: | angličtina |
| Rok vydání: | 2023 |
| Předmět: |
HoVer-Net
Càncer--Histopatologia panoptic segmentation Enginyeria de la telecomunicació::Processament del senyal::Processament de la imatge i del senyal vídeo [Àrees temàtiques de la UPC] Breast--Histology Pathological U-Net Càncer de mama immunohistochemistry test imatge d'histopatologia Breast cancer Breast--Cancer HER2 Mama--Càncer histopathology image Imatgeria mèdica prova immunohistoquímica Ki67 segmentació panòptica Imaging systems in medicine |
| Popis: | Esta tesis investiga el uso de arquitecturas de aprendizaje profundo para el análisis automatizado de imágenes histopatológicas en el diagnóstico de cáncer de mama. Al comparar el rendimiento de HoVer-Net y U-Net en dos tipos de tinciones, HER2 y Ki67, utilizando métricas de F-score a nivel celular y centrándose en la tarea de clasificación, el estudio encontró que ambas arquitecturas logran resultados satisfactorios. Si bien HoVer-Net tuvo el rendimiento más alto en el conjunto de datos Ki67, con una F-score ponderada de 0,89, U-Net superó al método anterior en el conjunto de datos HER2, logrando una F-score ponderada de 0,84. El estudio también profundiza en las fortalezas y debilidades de ambas arquitecturas, revelando que HoVer-Net sobresale en la segmentación detallada, sin embargo, tiene dificultades al clasificar datos desbalanceados, mientras que U-Net tiene un rendimiento de clasificación sólido pero carece de segmentación detallada. El estudio también identifica áreas de mejora tanto en las arquitecturas como en los conjuntos de datos, como abordar la tendencia de HoVer-Net a la sobresegmentación, simplificar la implementación de U-Net y equilibrar las clases en los conjuntos de datos para mejorar el rendimiento general. This thesis investigates the use of deep learning architectures for the automated analysis of histopathological images in breast cancer diagnosis. By comparing the performance of HoVer-Net and U-Net on two types of stainings, HER2 and Ki67, using F-score metrics at a cell level and focusing on the classification task, the study found that both architectures achieve satisfactory results. While HoVer-Net had the highest performance on the Ki67 dataset, with a weighted F-score of 0.89, U-Net outperformed the former method on the HER2 dataset, achieving a weighted F-score of 0.84. The study also delves into the strengths and weaknesses of both architectures, revealing that HoVer-Net excels in detailed segmentation, nevertheless struggles with unbalanced classification tasks, meanwhile U-Net has a robust classification performance but lacks in detailed segmentation. The study also identifies areas for improvement in both architectures and the datasets, such as addressing HoVer-Net's tendency for oversegmentation, simplifying the implementation of U-Net, and balancing the classes in the datasets to enhance overall performance. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|