polito.it
Politecnico di Torino (logo)

Sviluppo di un sistema basato sull’intelligenza artificiale per l’identificazione ed il grading del tumore alla mammella in immagini istologiche. = Development of an artificial intelligence-based system for the identification and grading of breast cancer in histological images.

Andrea Ferraris

Sviluppo di un sistema basato sull’intelligenza artificiale per l’identificazione ed il grading del tumore alla mammella in immagini istologiche. = Development of an artificial intelligence-based system for the identification and grading of breast cancer in histological images.

Rel. Filippo Molinari, Massimo Salvi. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2021

[img] PDF (Tesi_di_laurea) - Tesi
Restricted to: Repository staff only until 30 March 2022 (embargo date).
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (3MB)
Abstract:

Il carcinoma alla mammella è la neoplasia più frequente nel mondo femminile con un tasso di mortalità che si attesta intorno al 17%. Il tasso di mortalità è strettamente legato alla tempestività con cui si effettua la diagnosi, tempi minori corrispondono a prognosi migliori. In ambito tecnologico, lo sviluppo del deep learning e in particolare delle CNN (convolutional neural network) ha fornito un ottimo strumento per la classificazione e la segmentazione di immagini. In questo lavoro di tesi si è sviluppato un sistema automatico per la caratterizzazione del carcinoma alla mammella in immagini istologiche basato su CNN capace di classificare il tessuto tra quattro classi: a) Normal b) Benign c) In-Situ d) Invasive. La classificazione di una eventuale neoplasia su più classi rispetto alla più semplice classificazione binaria (tumore si/no), permette di poter utilizzare sul paziente trattamenti clinici più mirati e specifici, con una ripercussione positiva sull’esito della terapia. In questo progetto si è deciso di adottare una strategia in particolare, aumentare le prestazioni del classificatore migliorando la qualità e il contenuto informativo delle immagini che vengono fornite in ingresso. La fase di pre-processing è composta da due step: la normalizzazione dello stain dell’immagine tramite un modello cycle-GAN e una estrazione smart delle aree (patch) che presentano un maggior contenuto informativo per ogni immagine. Il classificatore vero e proprio è stato ottenuto aggregando 3 differenti architetture: DenseNet201, DenseNet169 e Inception_ResNetV2; i risultati ottenuti dalla classificazione delle patch delle tre reti sono stati combinati ottenendo un valore per ogni patch e in una fase di post-processing è stato ottenuto il label dell’immagine di provenienza. Infine il sistema produce una rappresentazione in cui è possibile valutare grading e probabilità di appartenenza a una classe per ogni patch estratta da ciascuna immagine.

Relators: Filippo Molinari, Massimo Salvi
Academic year: 2020/21
Publication type: Electronic
Number of Pages: 80
Subjects:
Corso di laurea: Corso di laurea magistrale in Ingegneria Biomedica
Classe di laurea: New organization > Master science > LM-21 - BIOMEDICAL ENGINEERING
Aziende collaboratrici: UNSPECIFIED
URI: http://webthesis.biblio.polito.it/id/eprint/17587
Modify record (reserved for operators) Modify record (reserved for operators)