Learning to Predict Prostate Cancer Using Slide-level Annotations

Bc. Michal Jakubík

Bakalářská práce

Anotace:

Zapojenie algoritmov umelej inteligencie do diagnostiky rakoviny predstavuje významný pokrok v lekárskej diagnostike. Štandardná metóda trénovania neurónovej siete na detekciu rakoviny si vyžaduje nákladné a časovo náročné podrobné anotácie od patológov. V tejto práci je natrénovaných niekoľko modelov konvolučných neurónových sietí na datasetoch, ktoré disponujú iba informáciou o prítomnosti rakovinového tkaniva v celom histopatologickom snímku prostaty. Výsledky ukazujú, že schopnosti týchto modelov sú porovnateľné so schopnosťami ich náprotivkov, ktoré používajú podrobné anotácie.

Abstract:

The involvement of artificial intelligence algorithms in cancer diagnosis represents a significant advancement in medical diagnostics. A standard method of training a neural network for cancer detection requires expensive and time-consuming detailed annotations from expert pathologists. In this thesis, several convolutional neural network models are trained on datasets which only posses information about cancerous tissue being present in the entire prostate histopathological image. The results show that the capabilities of these models are comparable to the capabilities of their counterparts that use detailed annotations.

Keywords

digital pathology, convolutional neural networks, prostate cancer, deep learning

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 6. 2024
• Vedoucí: RNDr. Vít Musil, Ph.D.
• Oponent: doc. RNDr. Petr Novotný, Ph.D.

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Informatika