Detailansicht
Cancer recognition in histological specimens of breast cancer tissue by means of artificial intelligence
Robert Fritze
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Scientific Computing
Betreuer*in
Wilfried Gansterer
DOI
10.25365/thesis.54083
URN
urn:nbn:at:at-ubw:1-18497.84839.780054-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In einigen bisher publizierten Arbeiten wurde gezeigt, dass es möglich ist, mit Hilfe von künstlicher Intelligenz Bereiche von Tumorzellen in histologischen Präparaten zu identifizieren. Für diese Arbeiten wurden üblicherweise nur ein oder wenige verschiedene neuronale Netzwerke verwendet und die Grösse des Fensters für den ersten Layer des neuronalen Netzwerks war darüberhinaus ebenfalls meist festgelegt. Bis heute ist jedoch unklar welche Netzwerkarchitektur und welche Fenstergrösse die besten Resultate liefern. In meiner Arbeit habe ich vier verschiedene Fenstergrössen und verschiedene Netzwerkkonfigurationen ausprobiert. Die errechneten Modelle wurden mit verschiedenen Bagging und Boosting Methoden kombiniert und dadurch entstanden neue Modelle für die Klassfikation der Bilder. Für die Durchführung wurde cloud computing mit einer zentralisierten Datenbank verwendet. An der Spitze des Verarbeitungsstapels stand ein genetischer Algorithmus, der die Hyperparameter der besten bisher gefundenen Modelle kombiniert. Die Auswertung erfolgte sowohl mittels statistischer Methoden alsoauch durch Clusteranalyse. Für diese Arbeit wurde verschiedenen Programme in Python basierend auf den Keras und Tensorflow Bibliotheken implementiert. Mehr als 900 verschiedene Hyperparameterkombinationen wurden mit Bildern von Brustkrebs getestet.
Abstract
(Englisch)
Several published papers have shown that it is possible to detect tumour areas in slides of histologic specimens. For these articles the authors have used one or only a few convolutional neural networks with a given architecture and the analysis of the images was often limited to a single input window size. But until now, neither which input window size nor which architecture is best suited for this task was known. In my thesis I have used four different input window sizes and multiple different neural network architectures. Moreover, I have used several bagging and boosting methods in order to combine the best models found and create new classifiers. A cloud computing approach with a centralised database is used and at the top level a genetic algorithm tries to combine the hyperparameters of the best models found so far. Evaluation of the results was done by descriptive and inferential statistics as well as cluster analysis. For this thesis a complete artificial intelligence framework was written from scratch in Python using the Keras and Tensorflow libraries. More than 900 different hyperparameter combinations on images of breast cancer have been tested.
Schlagwörter
Schlagwörter
(Englisch)
breast cancer artificial intelligence neural network CNN cluster analysis tumour detection bagging boosting DSL
Schlagwörter
(Deutsch)
Brustkrebs Künstliche Intelligenz Neuronales Netzwerk CNN Clusteranalyse Tumorerkennung Bagging Boosting DSL
Autor*innen
Robert Fritze
Haupttitel (Englisch)
Cancer recognition in histological specimens of breast cancer tissue by means of artificial intelligence
Paralleltitel (Deutsch)
Erkennung von Brustkrebs in histologischen Schnittbildern mittels künstlicher Intelligenz
Publikationsjahr
2018
Umfangsangabe
viii, 94, ix-xxv Seiten : Diagramme
Sprache
Englisch
Beurteiler*in
Wilfried Gansterer
Klassifikationen
44 Medizin > 44.81 Onkologie ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC15247058
Utheses ID
47786
Studienkennzahl
UA | 066 | 940 | |