Interpretation techniques for deep neural networks in digital histopathology – Bc. Martin Krebs
Bc. Martin Krebs
Bakalářská práce
Interpretation techniques for deep neural networks in digital histopathology
Interpretation techniques for deep neural networks in digital histopathology
Anotace:
Skupina RationAI natrénovala konvolučnú neurónovú sieť, ktorá predpovedá výskyt rakoviny prostaty v digitálnych snímkach tkaniva. Naším cieľom je vedieť dostatočne rýchlo vysvetliť správanie tejto siete. Preskúmame niekoľko metód, ktoré produkujú vizuálne podobné výsledky ako súčasná, pomalá metóda Oklúzie. Aby sme zaistili kvalitu testovaných metód, nastavíme a vyhodnotíme 5 kvantitatívnych metrík …víceAbstract:
RationAI group trained a convolutional neural network model that can reliably predict the presence of prostate cancer in digitized tissue samples. Our goal is to find an explainability method to help us understand those predictions in a reasonable time. We review several popular explainability methods that produce visually similar results to the current, notably slow solution based on Occlusion. To …více
Jazyk práce: angličtina
Datum vytvoření / odevzdání či podání práce: 23. 5. 2024
Identifikátor:
https://is.muni.cz/th/l09kc/
Obhajoba závěrečné práce
- Obhajoba proběhla 24. 6. 2024
- Vedoucí: RNDr. Vít Musil, Ph.D.
- Oponent: Anselm Paulus
Citační záznam
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Masarykova univerzita, Fakulta informatikyMasarykova univerzita
Fakulta informatikyBakalářský studijní program / obor:
Informatika / Informatika
Práce na příbuzné téma
-
Explainable Similarity Search in Image Data Collections
Matúš Šikyňa -
A review of explainable AI methods applicable to biomedical use cases
Michal Šosták -
Visualization of hidden layers in convolutional neural networks
Jakub Hruška -
Modelling small-RNA binding using Convolutional Neural Networks
Eva Klimentová -
Automatic Recognition of User Interface States Using Convolutional Neural Networks
Klára Petrovičová -
Segmentation of Dense Cell Populations using Convolutional Neural Networks
Filip Lux -
Tomographic back-projection of either sparse or low-quality projection views, based on convolutional neural networks (CNN)
Payal JAIN