Video: Charakterisierung von Brustbiopsien
Alberto Velasco Mata, Student, der bei der zweiten Ausgabe der Turing Machine Awards ausgezeichnet wurde. Cojali SL Award für die beste Masterarbeit mit dem Titel: „Charakterisierung von interessierenden Regionen in mikroskopischen Bildern von Brustbiopsien“, unterrichtet von Eusebio Angulo Sánchez-Herrera und María Gloria Bueno García. Als nächstes sehen Sie im folgenden Video eine Zusammenfassung der von Alberto durchgeführten Arbeiten
Zusammenfassung
Die Anwendung maschineller Lerntechniken zur Erkennung und Klassifizierung von Tumorregionen in Brustgewebebiopsien, einschließlich kanzeröser Bereiche, stellt eine Reduzierung der Kosten dar und erleichtert die Diagnose durch Experten. Bestehende Detektoren in diesem Anwendungsbereich nehmen typischerweise eine allgemeine Auswertung der bereitgestellten Proben vor und richten ihre Aufmerksamkeit nur auf ihre Tumorregionen. Andere Regionen, die sich in der zellulären Umgebung des Tumors befinden, könnten jedoch Anzeichen von Krebs zeigen. Die Untersuchung dieses Faktors kann aufgrund der Besonderheiten des Biopsievorgangs für Experten nützlich sein, da darin möglicherweise keine zellulären Bereiche auftreten. Eine Detektion, die die Charakteristika des Tumorkontextes berücksichtigt, könnte eine Verbesserung gegenüber aktuellen Verfahren darstellen. Darüber hinaus muss das übliche Fehlen von gekennzeichneten Daten aufgrund der Schwierigkeit, bestimmte Gewebebereiche zu kommentieren, und der Vielfalt histologischer Proben berücksichtigt werden.
Die Untersuchung, wie sich die Klassifizierung verschiedener Gewebetypen auf die Erkennung auswirkt, unter Berücksichtigung eines reduzierten Datenvolumens, impliziert, dass Modelle vorgeschlagen werden müssen, deren Stärke in der Unterscheidung zwischen Bildern mit hoher Ähnlichkeit zwischen ihnen besteht, wie dies bei Geweben der Fall ist .
Dieses Papier stellt Deep-Learning-Modelle vor, die auf der Technik basieren, die als bekannt ist kontrastives Lernen, mit dem Ziel, die Leistung zu analysieren und zu vergleichen, die bei der Klassifizierung verschiedener Gewebearten in Brustbiopsien erzielt wird. Darüber hinaus wird die Datenmenge analysiert, die erforderlich ist, damit diese Modelle ordnungsgemäß funktionieren, und es werden Techniken angewendet, um eine Überanpassung zu vermeiden.