Learning to predict the Ki67 proliferation index from histopathological images.

Bc. Adam Kukučka

Bachelor's thesis

Abstract:

Súčasťou každodennej práce patológov je vyšetrovať stovky bioptických skenov. To je mnohokrát zdĺhavé, časovo náročné a náchylné na chyby. Technológie založené na pokroku v strojovom učení môžu patológom pomôcť znížiť ich pracovné zaťaženie. V tejto práci predstavujeme automatický výpočet proliferačného indexu Ki67, ktorý má výborné výsledky pri diagnostike rakoviny prsníka. Natrénovali sme konvolučnú neurónovú sieť, ktorá na základe skenu rakoviny prsníka predpovedá proliferačný index Ki67. Model je natrénovaný na klinických dátach z Masarykovho onkologického ústavu bez dodatočných anotácií od patológov. Náš model dosahuje pozoruhodné výsledky, je dobre vysvetliteľný a poskytuje aj dodatočné informácie o epiteli.

Abstract:

Pathologists’ day-to-day work is to examine hundreds of biopsy scans. This can be lengthy, time-consuming, and prone to errors. Technologies based on advances in machine learning may assist pathologists and reduce their workload. In this thesis, we present an automatic calculation of the Ki67 proliferation index, which has great results in breast cancer diagnosis. We train an end-to-end convolution neural network that takes a breast cancer scan and predicts the Ki67 proliferation index. The model is trained on the clinical data from the Masaryk Memorial Cancer Institute without any additional expert annotations. Our model achieves astonishing results, it is well-explainable and provides additional information about the epithelium.

Keywords

deep learning, digital pathology, neural networks, RationAI

Language used: English

Date on which the thesis was submitted / produced: 23. 5. 2024

Thesis defence

• Date of defence: 24. 6. 2024
• Supervisor: RNDr. Vít Musil, Ph.D.
• Reader: Anselm Paulus

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Informatics / Informatics