Breast cancer continues to be a major cause of mortality among women. In recent years, machine learning has emerged as a potential tool in detecting and grading cancer. Using machine learning techniques in computational pathology has the potential to improve precision medicine, enabling more personalized and more accurate treatment plans. The machine learning models can even detect structures that cannot be seen with human eyes. The first step is often to identify tissue areas with cancerous cells using machine learning models. Those models often rely solely on Haematoxylin and Eosin slides for training due to the time-consuming and costly nature of annotations by pathologists. Because of that, valuable information for training might be lost since some cancerous cells are more visible in the immunohistochemistry slides. In this thesis, Haematoxylin and Eosin slide annotations are registered to immunohistochemistry slides for training singlestain and multi-stain models. The registration of the annotations is not straightforward since the tissue of the slides is not necessarily from consecutive cuts, and they are sometimes applied to the slide at different angles. An algorithm evaluated during the ACROBAT challenge was used to register the slides. Using the transferred annotations, individual models are trained for each stain (K167, HER2, PGR, ER). Of the single-stain model, the HER2 stain model is showing the most promising results. As a second step, a multistain model is trained using all stains. The multi-stain model performs equally well as the single-stain models specializing in individual stains. This shows that there is no need to train specialized single-stain models. Thus being able to train one model for four different stains makes it possible to detect cancer in whole slide images stained with one of those four stains without the need to train a specialized model and only needing annotations in one stain. While the multi-stain model is a nice addition this thesis shows that it is possible to reuse annotations, which reduces the amount of manual labour from pathologists and allows for training models on immunohistochemistry slides with only having annotations from one stain. / Bröstcancer fortsätter att vara en vanlig orsak till dödlighet bland kvinnor. På senare år har maskininlärning visat sig vara ett värdefullt verktyg för att upptäcka och gradera cancer. Att använda maskininlärningstekniker inom beräkningspatologi har potential att förbättra precisionsmedicinen och möjliggöra mer individanpassade och exakta behandlingsplaner. Maskininlärningsmodellerna kan till och med upptäcka strukturer som inte kan ses med mänskliga ögon. Det första steget är ofta att identifiera vävnadsområden med cancerceller med hjälp av maskininlärningsmodeller. Dessa modeller är ofta helt beroende av hematoxylin- och eosin-slidebilder för träning eftersom det är tidsödande och kostsamt för patologer att göra annoteringar. På grund av detta kan värdefull information för träning gå förlorad eftersom vissa cancerceller är mer synliga på immunohistokemiska objektglas. I den här avhandlingen registreras annoteringar från objektglas med hematoxylin och eosin på immunohistokemiska objektglas för träning av modeller med en och flera infärgningar. Registreringen av annoteringarna är inte okomplicerad eftersom vävnaden på objektglasen inte nödvändigtvis kommer från på varandra följande snitt, och de appliceras ibland på objektglaset i olika vinklar. En algoritm som utvecklades under ACROBAT-utmaningen användes för att registrera bilderna. Med hjälp av de registrerade objektglasen tränas individuella modeller för varje infärgning (K167, HER2, PGR, ER). Av modellerna för enstaka infärgningar visar modellen för HER2-infärgning de mest lovande resultaten. I ett andra steg tränas en modell med flera infärgningar med hjälp av alla infärgningar. Multi-stain-modellen presterar lika bra som single-stain-modellerna som är specialiserade på enskilda infärgningar. Detta visar att det inte finns något behov av att träna specialiserade modeller för enstaka infärgningar. Att kunna träna en modell för fyra olika färgämnen gör det alltså möjligt att upptäcka cancer i hela objektglasbilder som färgats med ett av dessa fyra färgämnen utan att behöva träna en specialiserad modell och utan att behöva göra annoteringar. Möjligheten att endast använda en modell för att förutsäga fyra olika immunohistokemiska helbilder minskade datorkostnaderna för träning och underhåll av modellen.

The Gamma Knife is a non-invasive stereotactic radiosurgery system used for treatments of deep targets in the brain. Accurate patient positioning is needed for precise radiation delivery to the target. The two latest versions of the Gamma Knife allow fractionated treatment by co-registering Cone-beam computed tomography (CBCT) images of the patient's position in the Gamma Knife with a diagnostic magnetic resonance (MR) image used for treatment planning. However, CBCT images often suffer from artifacts that degrade image quality, which may result in less accurate co-registration. This thesis project investigates the potential of a new reconstruction framework developed by Elekta, which incorporates scattering correction and noise filters, for the reconstruction of Gamma Knife CBCT images. The performance of the new reconstruction framework, along with its noise filter and scatter correction, is quantified using image quality metrics of phantoms, including contrast, uniformity, spatial resolution, and CT-number accuracy. Additionally, brain CBCT images of five patients are co-registered with their diagnostic MR images, and the mean target registration error is measured. The results indicate that the new reconstruction framework, without using scatter correction and noise filtering, performs equally well as the current framework in reconstructing Gamma Knife CBCT images, as it achieved similar image quality and co-registration accuracy. However, when the scatter correction was used, there were improvements in image uniformity and CT-number accuracy without compromising spatial resolution. Additionally, the introduction of a noise filter resulted in an improved contrast-to-noise ratio and low contrast visibility with minimal compromise of spatial resolution. Despite these image quality enhancements, there were no consistent improvements in co-registration accuracy, indicating that the co-registration is not sensitive to scatter or noise artefacts. / Gammakniven är en medicinteknisk apparat som används för icke-invasiv stereotaktisk strålkirurgi vid behandling av djupa mål i hjärnan. För att uppnå precision i strålbehandlingen krävs noggrann patientpositionering. De två senaste versionerna av Gammakniven tillåter fraktionerad behandling genom att co-registrera cone-beam computed tomography (CBCT)-bilder av patientens position i Gammakniven med en diagnostisk magnetresonans (MR)-bild som används för behandlingsplanering. Tyvärr lider CBCT-bilder ofta av artefakter som kan försämra bildkvaliteten och därmed minska precisionen i co-registreringen. Detta examensarbete undersöker ett nytt rekonstruktionsramverk som utvecklats av Elekta. Det nya rekonstruktionsramverket och dess tillhörande brusfilter och spridningskorrigering utvärderas för rekonstruktion av Gammaknivens CBCT bilder med hjälp av bildkvalitetsmått för fantomer, såsom kontrast, uniformitet, spatial upplösning och noggrannhet i CT-nummer. Dessutom co-registreras CBCT-bilder från fem patienter med deras diagnostiska MR-bilder, och det genomsnittliga registreringsfelet mäts. Resultaten visar att det nya rekonstruktionsramverket, utan användning av spridningskorrigering och brusfiltrering, presterar lika bra som det nuvarande ramverket för rekonstruktion av CBCT-bilder från Gammakniven. Båda ramverken ger liknande bildkvalitet och noggrannhet i co-registreringen av bilderna. Vid användning av spridningskorrigering observerades förbättringar i uniformiteten och noggrannheten i CT-nummer utan att den spatiala upplösningen försämrades. Införandet av brusfilter resulterade i ett förbättrat kontrast-brus-förhållande och synlighet av svaga kontrastskillnader med endast lite avkall på den spatiala upplösningen. Trots dessa förbättringar i bildkvaliteten observerades ingen konsekvent förbättring av noggrannheten i co-registreringen av bilderna, vilket tyder på att co-registreringen inte påverkas av spridnings- eller brusartefakter i stor utsträckning.

No description available.

Terrestrial laser scanning systems provide quick three-dimensional data acquisition with high spatial resolution. The technology can serve multiple applications such as monitoring and 3D modeling but several problems arise when scanning long objects such as tunnels, bridges, and corridors. Uncertainties in the data tend to propagate when conducting sequential registration on a long strip of point clouds and the errors can reach unacceptable levels only with a few scans. This thesis aims to examine this propagation of uncertainty caused by long strip registration and its effects on point cloud accuracy and precision. It further aims to evaluate the results of different ground control point distributions used for georeferencing and finally to construct guidelines and recommendations for the planning of terrestrial laser scanning projects of long objects. The thesis was divided into an analytical- and an experimental study. The analytical study explored the theoretical effects of long strip registration on a point cloud’s uncertainty by simulating repeated target-based registration in a 95-meter-long and 2.5-meter-wide corridor. This resulted in standard uncertainties of the point cloud coordinates on dm-level after the last registration and a clear trend in exponential growth. Tie point distribution in the overlaps between scans proved to have a big effect on the precision of the final point cloud. In the experimental study, a corridor of the same dimension was scanned from 16 stations and georeferenced in a local control network established at the scan site. Indirect registration in two steps was used, first by performing automatic feature-based registration in RealWorks before the point cloud was georeferenced. The results of different ground control point (GCP) scenarios were compared and evaluated by studying check point residuals. All scenarios had numerous check points that failed verification as the residuals exceeded the limit set to 15 mm. An even distribution of almost one GCP in every scan scene yielded the best results with a maximum check point residual of 3 cm in 3D. When the GCPs were clustered at one side of the corridor the check point residuals reached dm level at the opposite end. Also, a linear trend of increasing residuals as a function of distance from the point to the nearest GCP was evident. The linear trend was less evident when the GCPs were distributed evenly across the corridor. Their distribution proved more important than their quantity. The vertical coordinate component and the horizontal component perpendicular to the long side of the object proved less precise and accurate after long strip registration. This was apparent in both the analytical and the experimental study. / Terrester laserskaning erbjuder snabb, tre-dimensionell datafångst med hög punkttäthet. Teknologin täcker flertalet användningsområden såsom monitorering och 3D-modellering men problem kan uppstå vid skanning av långa objekt såsom tunnlar, broar och korridorer. Osäkerheter i data tenderar att fortplantas när registrering av en lång rad punktmoln genomförs sekventiellt och felen kan nå oacceptabla nivåer bara med några få skanningar. Detta examensarbete syftar till att undersöka denna fortplantning av mätosäkerhet orsakad vid registrering av långsträckta objekt och dess påverkan på punktmolnets noggrannhet och precision. Vidare syftar arbetet till att utvärdera resultatet av olika distributioner av utgångspunkter vid georeferering och slutligen till att utforma riktlinjer och rekommendationer för planering av terrestra laserskanningsprojekt över långa objekt.  Arbetet delades upp i en analytisk- och en experimentell studie. Den analytiska studien undersökte de teoretiska effekterna av långsträckt registrering på ett punktmolns osäkerhet genom att simulera upprepad punktbaserad registrering i en 95-meter-lång och 2.5-meter-bred korridor. Detta resulterade i standardosäkerheter av punktmolnets koordinater på dm-nivå efter den sista registreringen samt en tydlig exponentiell ökning. Distributionen av konnektionspunkter i överlappen mellan skanningarna visade sig ha en stor effekt på precisionen av det slutliga punktmolnet. I den experimentella studien skannades en korridor av samma dimensioner från 16 stationer innan det georefererades till ett lokalt stomnät som etablerats på platsen. Indirekt georeferering i två steg användes, först genomfördes automatisk objektbaserad registrering i RealWorks innan punktmolnet georefererades. Resultatet av olika scenarion av utgångspunkter jämfördes och utvärderades genom att studera avvikelser hos kontrollpunkter. Alla scenarion hade flertalet kontrollpunkter vars avvikelser överskred den satta gränsen på 15 mm. En jämn distribution med upp till en utgångspunkt i för varje skanning medförde de bästa resultaten med en maximal avvikelse hos kontrollpunkterna på 3 cm i 3D. När utgångspunkterna var placerade på ena änden av korridoren så nådde avvikelserna dm-nivå på den motsatta änden. Dessutom så uppstod en tydlig linjär trend med ökande avvikelser som en funktion av avståndet till närmsta utgångspunkt. Den linjära trenden var mindre tydlig när utgångspunkterna var jämnt fördelade över korridoren. Deras distribution visade sig vara viktigare än deras kvantitet. Punktkoordinaternas höjdkomponent och plana komponent vinkelrätt mot objektets långsida visade sig vara mindre precis och noggrann efter långsträckt registrering. Detta var tydligt både i den analytiska och den experimentella studien.