Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja

diplomski rad

• Naslov (engleski): Classification of Histopathologic Scans of Lymph Node Sections Using Machine Learning
• Autor: Domagoj Pluščec
• Mentor: Marko Čupić (mentor)
• Član povjerenstva: Marko Čupić (predsjednik povjerenstva)
• Član povjerenstva: Željka Mihajlović (član povjerenstva)
• Član povjerenstva: Alan Jović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-07-10, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Prilikom analize histopatoloških slika ukazuje se potreba za automatiziranim sustavom koji bi mogao pomoći doktorima u analizi slika i dijagnostici. Takav sustav bi mogao povećati točnost i brzinu analize i dijagnostike.
U okviru ovog rada dan je pregled područja analize histopatoloških slika te je izrađena programska implementacija za klasifikaciju limfnih čvorova temeljena na strojnom učenju.
Za učenje i testiranje modela strojnog učenja korišten je skup podataka PatchCamelyon.
Ispitani su rezultati koje postižu sljedeći modeli dubokog učenja: AlexNet, ResNet, DenseNet i Inception-v3 te kako na njihove rezultate utječu tehnike proširenja skupa podataka. Konačno najboljim se pokazao model Inception-v3 koji je na skupu za testiranje postigao točnost od 89%.

Sažetak (engleski)

When analyzing histopathological images, there is a need for an automated system that could help doctors in image analysis and diagnostics. Such a system could increase the accuracy and speed of analysis and diagnostics.
Within this paper, an overview of the histopathological image analysis area is provided and a program implementation for the classification of lymph nodes based on machine learning has been developed.
PatchCamelyon dataset has been used for training and testing of chosen machine learning models.
The results of the following deep learning models have been studied: AlexNet, ResNet, DenseNet, Inception-v3. Also, the influence of different data augmentation methods on the model performance was investigated. Finally, the Inception-v3 model proved to be the best, which reached the 89% accuracy on the test set.

• Ključne riječi: strojno učenje; analiza medicinskih slika; histopatologija
• Ključne riječi (engleski): machine learning; medical image analysis; histopathology
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:732742
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2020-01-07 21:25:05