Video: caratterizzazione di biopsie mammarie
Alberto Velasco Mata, studente premiato alla seconda edizione dei premi Turing Machine. Premio Cojali SL per la migliore tesi di laurea magistrale, dal titolo: "Caratterizzazione di regioni di interesse in immagini microscopiche di biopsie mammarie“, tutorato da Eusebio Angulo Sánchez-Herrera e María Gloria Bueno García. Successivamente, potete vedere nel video seguente una sintesi del lavoro svolto da Alberto
Riassunto
L'applicazione di tecniche di apprendimento automatico per il rilevamento e la classificazione delle regioni tumorali nelle biopsie del tessuto mammario, comprese le aree cancerose, rappresenta una riduzione dei costi e facilita la diagnosi degli esperti. I rivelatori esistenti in questo campo di applicazione eseguono tipicamente una valutazione generale dei campioni forniti, concentrando la loro attenzione solo sulle loro regioni tumorali. Tuttavia, altre regioni che si trovano nell'ambiente cellulare del tumore potrebbero mostrare segni di cancro. Lo studio di questo fattore può essere utile per gli esperti per le particolarità del processo bioptico, poiché può darsi che in esso non compaiano aree cellulari. Una rilevazione che tenga conto delle caratteristiche del contesto tumorale potrebbe rappresentare un miglioramento rispetto ai metodi attuali. Inoltre, è necessario considerare la consueta assenza di dati etichettati a causa della difficoltà di annotare specifiche aree di tessuto e la varietà di campioni istologici.
Lo studio di come la classificazione di diversi tipi di tessuti influisca sul rilevamento, considerando un volume ridotto di dati, implica che sarà necessario proporre modelli il cui punto di forza è la distinzione tra immagini ad alta somiglianza tra loro, come nel caso dei tessuti .
Questo documento presenta modelli di deep learning basati sulla tecnica nota come apprendimento contrastivo, con l'obiettivo di analizzare e confrontare le prestazioni ottenute classificando vari tipi di tessuti nelle biopsie mammarie. Inoltre, viene analizzata la quantità di dati necessaria per il corretto funzionamento di questi modelli e vengono applicate tecniche per evitare il loro overfitting.
