In the field of digital histopathology, computeraideddiagnosis of digitized tissue samples with computationalalgorithms is a rising research field. The tissue samples in thisstudy are stained using chemicals that enhance the recognizabilityof different tissue structures. This staining can be highly variable,which has an impact on the performance of the computationalalgorithms. The aim of this project is to assess the use of threecolor normalization algorithms as a pre-processing step on the KIdataset from a collaborative research project between KarolinskaInstitutet and KTH Royal Institute of Technology. The colornormalization algorithms aim to reduce the color variability ofthe data. The basis of the study is an implementation of theEfficentNet Convolutional Neural Network classification model,that was adapted for the specific needs of the study. Performancewas assessed by firstly applying the color normalization filters tothe dataset and training multiple models on each of the filtereddatasets. The results from the individually trained models andthe combined results with ensemble learning techniques werethen analyzed. Our conclusions are clear, stain normalizationfilters significantly impacts classification performance metrics.The impact depends on the staining qualities of the filters.Ensemble learning techniques present a more robust performancethan the individual filters with a performance comparable to thebest performing filter. / Datorstödd diagnos av digitaliserade vävnadsprov med hjälp av beräkningsalgoritmer inom digital histopatologi är ett aktivt forskningsfält. Vävnadsproven i denna studie har färgats med kemikalier som förbättrar igenkännandet av olika vävnadsstrukturer. Kvaliteten på denna färgningsprocess kan variera, vilket har en inverkan på beräkningsalgoritmernas prestanda. Syftet med detta projekt är att utvärdera användningen av tre färgnormaliseringsalgoritmer som ett förbehandlingssteg på ett dataset från ett samarbetsprojekt mellan Karolinska Institutet och Kungliga Tekniska Högskolan. De använda färgnormaliseringsalgoritmerna syftar till att minska färgvariabiliteten i datan. Grund för studien är en implementering av klassificeringsmodellen EfficentNet, som anpassades utifrån studiens specifika behov. Prestandan bedömdes genom att först använda varje färgnormaliseringsalgoritm på datasetet och träna flera modeller på var och en av de filtrerade dataseten. Därefter analyserades resultaten från de individuella modellerna och de kombinerade resultaten med ”ensemble learning”-tekniker. Våra slutsatser är tydliga, färgnormaliseringen påverkar significant prestandamätvärdena. Dess inverkan beror på filtrens färgningsegenskaper. ”Ensemble learning” teknikerna ger en mer robust prestanda än de enskilt tränade modellerna som lika bra som det bäst presterande filtret. / Kandidatexjobb i elektroteknik 2021, KTH, Stockholm