Tissue Classification in Digital Pathology

Bc. Jaroslav Kubín

Diplomová práce

Anotace:

Rychlý vývoj umělé inteligence výrazně ovlivnil analýzu biomedicínských obrazů, zejména v oblasti digitální patologie. Ačkoli celé snímky tkání (WSI) poskytují komplexní údaje o tkáních, jejich rozsah a heterogenita představují překážky pro efektivní počítačovou analýzu. Tato diplomová práce se zabývá úlohou klasifikace tkání na patch-levelu napříč různými orgány a typy tkání s využitím dat z The Cancer Genome Atlas (TCGA). Zaměřuje se na rozlišování jak zdravých tkání — jako je epitel, pojivová tkáň, tuk, sval a nervová tkáň — tak patologických změn včetně zánětů, nekróz a různých forem nádorového růstu. Experimenty ukázaly, že kontrastní předtrénování zlepšuje reprezentace znaků, přičemž modely využívající ProvGigaPath embeddingy dosáhly silného výkonu v úlohách vícetřídní klasifikace. Práce se rovněž věnuje klíčovým výzvám, jako je nestabilita trénování způsobená řídkými anotacemi, nevyváženost tříd a nekonzistence v podrobnosti anotací napříč typy tkání. Zjištění přispívají ke škálovatelným a přenositelným metodám pro klasifikaci tkání v oblasti výpočetní patologie a zdůrazňují potenciál foundation modelů a kontrastního učení při překonávání tradičních omezení datových sad a schopnosti generalizace.

Abstract:

Therapidevolutionofartificialintelligencehassignificantlyimpacted biomedicalimageanalysis,particularlyinthefieldofdigitalpathology. Although WSIs provide comprehensive tissue data, their scale and heterogeneityintroduceobstaclesforefficientcomputationalanalysis.. Thisthesisaddressesthetaskofpatch-leveltissueclassificationacross multipleorgansandtissuetypesusingdatafromTheCancerGenome Atlas(TCGA).Thefocusisondistinguishingbothhealthytissues— suchasepithelium,connectivetissue,fat,muscle,andnerve—and pathologicalalterationsincludinginflammation,necrosis,andvarious forms of neoplastic growth. Experiments revealed that contrastive pretraining improved feature representations, whilemodels utilizing ProvGigaPathembeddingsdemonstratedstrongperformanceinmulti- class classification tasks. The work tackles key challenges such as training instability due to sparse annotations, class imbalance, and inconsistent annotation granularity acrosstissue types.. The findings contribute to scalable, transferable methods for tissue classification in computational pathology, highlighting the potential of foundation modelsandcontrastivelearninginovercomingtraditionaldatasetand generalizationlimitations.

Keywords

digital pathology, machine learning, tissue classification, WSI, TCGA

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 21. 5. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 20. 6. 2025
• Vedoucí: doc. RNDr. Tomáš Brázdil, Ph.D.
• Oponent: doc. RNDr. Jan Sedmidubský, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Bioinformatika a systémová biologie