Mittetäielike annotatsioonide mõju vähendamine histopatoloogia objektide tuvastamisel
Nimi
Denys Kaliuzhnyi
Kokkuvõte
Histopatoloogia on kliinilise praktika oluline komponent, mis hõlmab kudede mikroskoopilist uurimist. Tavaliselt analüüsivad patoloogid kudesid käsitsi, et leida ja märgistada struktuuriüksused, rakud ja organoidid. Nende objektide omadused ja kogus võivad viidata patsiendi seisundile, nt kasvajate olemasolule. Hiljutised edusammud tehisintellekti (AI) vallas on loonud potentsiaali selle protsessi automatiseerimiseks. AI-meetodid pakuvad aga kas piiratud täpsust või nõuavad palju tihedalt annoteeritud andmeid. Annoteeritud andmete vajadus on histopatoloogiliste objektidesuure tiheduse ja märgistamisraskuste tõttu ülemäära aeganõudev ja kulukas.
Selles uuringus käsitleme närvivõrkude koolitamise väljakutset mittetäielike annotatsioonidega histoloogiliste objektide andmete tuvastamiseks. Näitame, et hüperparameetrite häälestamine võib leevendada hõredalt märgistatud andmete negatiivseid mõjusid. Lisaks pakume välja uudse mudelikomponendi, Üldistatud Tausta Ümberkalibreerimist, et veelgi parandada tuvastamissagedust. Seda saab kohandada laiemale objektituvastusmudelite klassile kui varasemaid lahendusi.
Meie tulemused peaksid hõlpsustama närvivõrkude arendamist histoloogiliste piltide objektide tuvastamise jaoks, näidates hõredalt märgistatud andmete tõhusat kasutamist. Meie meetod vähendab puuduvate annotatsioonide mõju tuvastamismääradele ja lihtsustabseeläbi närvivõrkude koolitamise andmete ettevalmistamise aeganõudvaimat aspekti.
Selles uuringus käsitleme närvivõrkude koolitamise väljakutset mittetäielike annotatsioonidega histoloogiliste objektide andmete tuvastamiseks. Näitame, et hüperparameetrite häälestamine võib leevendada hõredalt märgistatud andmete negatiivseid mõjusid. Lisaks pakume välja uudse mudelikomponendi, Üldistatud Tausta Ümberkalibreerimist, et veelgi parandada tuvastamissagedust. Seda saab kohandada laiemale objektituvastusmudelite klassile kui varasemaid lahendusi.
Meie tulemused peaksid hõlpsustama närvivõrkude arendamist histoloogiliste piltide objektide tuvastamise jaoks, näidates hõredalt märgistatud andmete tõhusat kasutamist. Meie meetod vähendab puuduvate annotatsioonide mõju tuvastamismääradele ja lihtsustabseeläbi närvivõrkude koolitamise andmete ettevalmistamise aeganõudvaimat aspekti.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Mikhail Papkov, Dmytro Fishman
Kaitsmise aasta
2023