2026-04-13T02:38:47Zhttps://recercat.cat/oai/requestoai:recercat.cat:2117/4177052025-07-22T21:07:21Zcom_2072_1033col_2072_452951
urn:hdl:2117/417705
Analysis of immunohistochemistry images with Hematoxylin and Eosin staining for lung cancer diagnosis
Fortuño Martí, Héctor
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació::Processament del senyal::Processament de la imatge i del senyal vídeo
Histology
Lungs--Cancer
Neural networks (Computer science)
Histologia
Pulmó
Càncer
Xarxes Neuronals Gràfiques
Xarxes Neuronals Convolucionals
Histology
Lung
Cancer
Graph Neural Networks
Convolutional Neural Networks
Histologia
Pulmons--Càncer
Xarxes neuronals (Informàtica)
El càncer de pulmó és una de les principals causes de mort al món, i s'espera que el nombre de casos augmenti en els anys vinents. Això crea la necessitat d'una tècnica ràpida i precisa per ajudar els patòlegs a analitzar imatges d'immunohistoquímica. En aquesta tesi, es mostra que un mètode proposat en treballs anteriors del projecte DigiPatICS és adequat per segmentar i classificar cèl·lules en imatges pulmonars tenyides amb Hematoxilina i Eosina (H&E). Aquest treball ha realitzat un estudi profund i una optimització de l'algorisme proposat. D'una banda, s'han revisat i estudiat moltes decisions i eleccions de paràmetres de l'esquema inicial. Com a resultat, s'ha millorat el rendiment del sistema complet, validant que l'estructura del teixit pulmonar és útil per classificar les cèl·lules. D'altra banda, s'ha reduït el cost computacional del sistema tenint-ho en compte en certes decisions del disseny i modificant la producció i gestió dels resultats en el procés d'inferència. A més a més, es defineix una nova metodologia d'avaluació per a problemes de segmentació i classificació d'objectes. Aquest estudi reafirma que el plantejament de segmentació i classificació va en la direcció correcta. No obstant això, els resultats suggereixen la revisió de la primera part del sistema, la reducció del temps d'inferència, i la resolució del problema de desequilibri de classes.
Lung cancer is one of the leading causes of death in the world, and the number of cases is expected to grow in the upcoming years. This creates the need of a fast and accurate technique to help pathologists analyse immunohistochemistry images. In this thesis, a method proposed in previous works of the DigiPatICS project is shown to be suitable for segmenting and classifying individual lung cells of Hematoxylin and Eosin (H&E) stained images. This work has done an in-depth study and optimization of the proposed algorithm. On the one hand, many decisions and parameter choices of the initial scheme have been revisited and studied. As a result, the complete system performance has been improved, validating that the structure of lung tissue is useful to classify cells. On the other hand, the computational cost of the system has been reduced by taking it into account in certain design decisions and modifying the production and handling of results in the inference process. Additionally, a new evaluation methodology is defined for instance segmentation and classification problems. This study reaffirms that the segmentation and classification approach is in the correct direction. Yet, findings call for the revision of the first part of the system, the reduction of the inference time, and the solving of the class-imbalance issue.
2024-06-28
Bachelor thesis
Open Access
Universitat Politècnica de Catalunya