Prostate Cancer Prediction with Graph Neural Networks – Bc. Štěpán Řihák
Bc. Štěpán Řihák
Bachelor's thesis
Prostate Cancer Prediction with Graph Neural Networks
Prostate Cancer Prediction with Graph Neural Networks
Abstract:
V této bakalářské práci trénujeme a vyhodnocujeme grafové neuronové sítě pro predikci rakoviny v prostatické tkáni. Pomocí předtrénované konvoluční sítě převádíme digitální snímky tkáně na grafy, kde uzly grafu odpovídají malému výřezu z velkého digitálního snímku. V experimentech porovnáváme grafové sítě, které pro klasifikaci každého uzlu používají informace z ostatních uzlů, se základním klasifikátorem …moreAbstract:
In this thesis, we train and evaluate graph neural networks for the prediction of cancer in prostate tissue. Using a pre-trained convolutional network, we convert digitized tissue slides to graphs, where the nodes represent a small tile cut out of the large digital slide. In the experiments, we compare graph networks, which learn a richer representation for each node from other nodes, with a baseline …more
Language used: English
Date on which the thesis was submitted / produced: 23. 5. 2024
Identifier:
https://is.muni.cz/th/hn4nl/
Thesis defence
- Date of defence: 24. 6. 2024
- Supervisor: RNDr. Vít Musil, Ph.D.
- Reader: RNDr. Filip Lux
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- světu
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Masarykova univerzita, Fakulta informatikyMasaryk University
Faculty of InformaticsBachelor programme / field:
Informatics / Informatics
Theses on a related topic
-
Application of Graph Neural Networks in a Selected Domain
Emanuel Dopater -
Graph neural networks for improvement recommender system
Trung Tin Tran -
Graph Neural Networks in Epilepsy Surgery
Valentina Hrtoňová -
Topological Patterns in Human Mobility and Interaction Networks
Aliaksandr Bely -
AI Image Analysis Pipeline Implementation for Digital Pathology
Andrej Kubanda -
Pathological Image Analysis Using Attention Based Deep Learning Methods
Petr Kantek -
Stack number and queue number of graphs
Adam Straka -
Parameterized Algorithms for Geometric Intersection Graphs
Deniz Agaoglu