Prihlásenie

Klasifikácia a predikcia histopathologických ofarbení pomocou hlbokých neurónových sietí (dizertačná práca) - Žilinská univerzita v Žiline, Fakulta riadenia a informatiky, Katedra softvérových technológií - Školiteľ: prof. Mgr. Ivan Cimrák, Dr. - Stupeň odbornej kvalifikácie: philosophiae doctor v odbore Aplikovaná informatika - EDIS Žilina, apríl 2024 - 118 strán. Dizertačná práca sa zaoberá aplikáciou hlbokého učenia v histológii pri klasifikácii nádorov s využitím polo-autoamaticky anotovaných dát. V prvej časti práce sa zaoberáme samotnými histologickými obrázkami a možnosťami automatickej tvorby anotácií z dvojíc histologických rezov s rôznymi ofarbeniami, kde prvý rez dostane anotáciu na základe vlastnosti zobrazenej na druhom reze toho istého tkaniva. S využitím optimalizačných metód a metód automatickej analýzy obrazu sa pokúšame tkanivo na skenoch najprv registrovať a následne kvantifikovať proliferačný biomarker Ki67. V druhej časti sa venujeme aplikácii hlbokých neurónových sietí na dataset anotovaný nami navrhnutou metódou za účelom klasifikácie hematoxylin-osinových snímkov podľa intenzity Ki67 expresie v tkanive. Kľúčové slová: neurónové siete, klasifikácia, hematoxalin-eosin, digitálna patológia, Ki67 proteín

Classification and prediction of histopatho logical stainings with deep neural networks (Dissertation thesis) - The Uni versity of Žilina, Faculty of Management Science and Informatics, Depart ment of Software Technologies - Supervisor: prof. Mgr. Ivan Cimrák, Dr. - Qualification level: Doctor of Philosophy in Applied Informatics - EDIS Žilina, April 2024- 118 pages. This dissertation deals with the application of deep learning in histology for tumor classification using semi-automatically annotated data. In the first part of the thesis, we discuss the histological images themselves and the possibility of automatically generating annotations from pairs of histological sections with different staining, where the first section receives an annotation based on a feature shown in the second section of the same tissue. Using optimization methods and automatic image analysis methods, we attempt to first register the tissue on the scans and then quantify the proliferation biomarker Ki67. In the second part, we discuss the application of deep neural networks to the dataset annotated by our proposed method to classify the hematoxylin-eosin scans according to the intensity of Ki67 expression in the tissue. Keywords: neural networks, classification, hematoxylin-eosin, digital pathology, Ki67 protein