Automated tumor purity estimation on histopathological whole-slide images

Bc. Šimon Bořil

Bakalářská práce

Anotace:

Podíl nádorových buněk v určité oblasti tkáně je důležitým ukazatelem v diagnostice a prognóze nádorových onemocnění i při volbě vhodné léčby. Ačkoli modely strojového učení vykazují slibné výsledky při jeho odhadu z histopatologických snímků, jejich praktické využití v klinickém prostředí je zatím omezené. Především kvůli technické náročnosti, nedostatku anotovaných dat a absenci uživatelsky přívětivých nasazení. Tato práce představuje webovou aplikaci, která umožňuje patologům interaktivně odhadovat tento podíl pomocí prohlížeče pro digitalizované mikroskopické snímky. Místo trénování vlastního modelu využívá navržený systém modulární architekturu založenou na třech již existujících modelech pro: segmentaci epitelu, detekci nádorové tkáně a segmentaci buněk. Tento přístup zajišťuje flexibilitu, škálovatelnost a snadné přizpůsobení různým typům tkání nebo diagnostickým úlohám. Výsledná aplikace zužuje rozdíly mezi pokročilými nástroji umělé inteligence a potřebami klinické praxe a nabízí praktické řešení, které lze snadno integrovat do prostředí stávající digitální patologie.

Abstract:

Tumor purity, the proportion of malignant cells within a tissue region, is a critical factor in cancer diagnostics, prognostics, and treatment planning. Although deep learning models have shown promise in estimating tumor purity from histopathological images, their integration into clinical practice remains limited due to technical complexity, lack of annotated data, and insufficient user interfaces. This thesis presents a web-based application that enables pathologists to interactively estimate tumor purity within a digitalized microscopic scan viewer. Rather than training a model from scratch, the system leverages a modular architecture composed of three pre-existing deep learning models for: epithelium segmentation, cancer detection, and cell segmentation. This design allows flexibility, scalability, and easy adaptation to different tissue types or diagnostic tasks. The resulting application bridges the gap between advanced AI capabilities and clinical usability, offering a practical tool that can be integrated into existing digital pathology workflows.

Keywords

tumor purity, digital pathology, whole-slide image, web application, histopathology, deep learning

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 6. 2025
• Vedoucí: RNDr. Vít Musil, Ph.D.
• Oponent: RNDr. Martin Jonáš, Ph.D.

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Informatika