Automatinis naviko identifikavimas iš histopatologinių duomenų
Abstract
Šiame darbe buvo tiriamos naviko identifikavimo iš histopatologinių duomenų, taikant giliuosius neuroninius tinklus, galimybės. Tikslui pasiekti buvo atlikta automatinių naviko identifikavimo metodų apžvalga. Atrinkti ir pristatyti aktualūs mašininio mokymosi metodai. Eksperimentiškai ištirti geriausi vaizdų klasifikavimo modeliai, taikytini sudėtingų vaizdų atpažinimui. Sukurtas ir pristatytas giliojo neuroninio tinklo šablonas, skirtas greitam ir efektyviam mokymuisi. Įgyvendinti ir atlikti ekstensyvūs analitiniai tyrimai, kurių metu pavyko pasiekti itin aukštą naviko identifikavimo tikslumą iš histopatologinių vaizdų. Darbo apimtis yra 69 p. teksto be priedų, 32 iliustr., 17 lent., 32 šaltiniai. Darbo gale pateikiami priedai This work reviews capabilities of deep learning-based methods for automatic tumor identification from histopathologic scans. In order to complete such a goal, the following tasks were completed. Various methods review and analysis for automatic tumor identification. Selection and presentation of applicable machine learning training and evaluation techniques. Introduction of a versatile neural network template for fast and effective training. Practical implementation of advanced machine learning methods. Extensive experimental analysis which led to a successful creation of a fast and particularly accurate solution to tumor identification from histopathologic scans. Thesis consists of 69 p. text without appendixes, 32 pictures, 17 tables 32 entries. Appendixes included,