Videos | Beste TFG – Erkennung von Brustkrebs
Die Arbeit trägt den Titel: „Digitale Färbung in multispektralen Mikroskopbildern. Die von Elena María Ruiz Izquierdo entwickelte und von Jesús Salido Tercero und María Gloria Bueno García geleitete Anwendung zur Erkennung von Brustkrebs war eines der Abschlussprojekte (FDP), die bei der 2. Ausgabe der Turing Machine Awards ausgezeichnet wurden. Eine Zusammenfassung der Arbeit können Sie im folgenden Video sehen:
Zusammenfassung:
Künstliche Intelligenz ist eine Technologie, die nach und nach in unser Leben integriert wurde. Computer Vision zeichnet sich insbesondere durch seine Verwendung in verschiedenen Bereichen aus, wie z. B.: Sicherheit, automatische Navigation, Medizin usw. Damit ist sie zu einer der aufstrebenden Disziplinen geworden. Die Anwendung dieser Technologie in der Medizin hat große Fortschritte ermöglicht, die Diagnose und Analyse von Krankheiten unterstützt, Kosten gesenkt und Prozesse rationalisiert.
Der Zweck dieses Projekts ist die Klassifizierung von multispektralen Bildern von Brustgewebebiopsien mit Hilfe von Convolutional Neural Networks, die es ermöglichen, Tumorgewebe zu erkennen und Tumorproben von Nicht-Tumorproben zu unterscheiden. Dazu wurden multispektrale Bilder vollständiger histologischer Proben von Brustgewebe verwendet, die in einem Bereich von 425 nm bis 697 nm in einem Intervall von 4 nm aufgenommen wurden, was insgesamt 69 Wellenlängen ergibt. Mit diesen Proben ist es möglich, die Karte des Tumorareals und seiner verschiedenen Gewebe zu identifizieren und zu charakterisieren. Bilder von ungefärbten und Biomarker-gefärbten histologischen Präparaten oder Proben wurden zum Vergleich verwendet.
Die Bilder der Proben ohne Färbung wurden bei verschiedenen Wellenlängen mit einem optischen Mikroskop aufgenommen, das mit einer Hyperspektralkamera verfügbar war. Aus diesem Grund wurde analysiert, ob sie zusätzliche Informationen zu den mit herkömmlichen Kameras aufgenommenen Bildern liefern und ob es darüber hinaus möglich ist, diese Bilder in bösartiges und gutartiges Gewebe zu klassifizieren. Als Ergebnis wird der Vergleich zwischen den mit den multispektralen Bildern implementierten Klassifikationsmodellen präsentiert, um zu schlussfolgern, welches von ihnen eine höhere Leistung mit einer Erfolgsrate erreicht, die näher an dem Klassifikationsmodell von Bildern von gefärbten Präparaten liegt.
Die Erstellung eines Bildklassifizierers von Gewebe ohne Färbung mit einem Biomarker wird die Variabilität beseitigen, die sich aus der Vorbereitung und Interpretation der Proben ergibt, und auch die hohen Kosten vermeiden. Um diese Techniken anschließend mit der aktuellen Methodik basierend auf gefärbten Proben zu validieren, wurden mehrere digitale Färbemethoden unter Anwendung von Deep-Learning-Techniken implementiert. Die Modellierung dieser Daten wird auch Fortschritte bei der Analyse struktureller Wechselwirkungen auf Zell- und Gewebeebene ermöglichen.
