Segmentace histologických řezů s využitím hlubokého učení

Abstract

Tato bakalářská práce se zabývá automatickou segmentací nádorových oblastí v histologických řezech s využitím hlubokého učení. V teoretické části je popsán význam digitální patologie, principy celoplošného snímání a přehled segmentačních metod využívaných v této oblasti. Zvláštní pozornost je věnována architektuře U-Net, která patří mezi nejpoužívanější modely pro segmentaci biomedicínských obrazů. V praktické části jsou na datasetu Camelyon16 porovnány různé varianty segmentačních modelů včetně základního U-Netu, předtrénovaného U-Netu, U-Net++ a DeepLabV3+. Je zhodnocen vliv použití překryvu dlaždic při inferenci i volby úrovně rozlišení. Nejlepších výsledků bylo dosaženo u modelu U-Net++, přičemž segmentace větších ložisek vykazovala podstatně lepší přesnost než u menších struktur. Vybraný model byl dále aplikován na menší dataset plicní tkáně, aby byla ověřena přenositelnost na jiný typ histologických dat. Výsledky ukázaly nižší výkonnost, která může být způsobena rozdílnou strukturou tkáně a neznámým rozlišením snímků. Práce tak poukazuje nejen na potenciál použitých segmentačních architektur, ale i na důležitost správné volby rozlišení a datového přizpůsobení při reálném nasazení.This bachelor thesis focuses on the automatic segmentation of tumor regions in histological slides using deep learning methods. The theoretical part introduces the principles of digital pathology, whole slide imaging (WSI), and provides an overview of segmentation approaches commonly used in this field. Special attention is given to the U-Net architecture, which is widely adopted for biomedical image segmentation. In the practical part, several segmentation models are compared on the Camelyon16 dataset, including the baseline U-Net, pretrained U-Net, U-Net++, and DeepLabV3+. The impact of tile overlap during inference and the influence of image resolution level are evaluated. The U-Net++ model achieved the best performance, particularly in the segmentation of larger tumor regions, while smaller lesions remained more challenging. The best-performing model was further applied to a smaller dataset of lung tissue to evaluate transferability to a different histological domain. The results showed decreased performance, likely due to differences in tissue morphology and the absence of image resolution (MPP) metadata. The thesis highlights not only the potential of deep segmentation architectures but also the importance of resolution selection and data adaptation when deploying models in real-world clinical settings.