Return to search

Deep Learning for Prostate Cancer Risk Prediction Through Image Analysis of Cells / Riskprediktion för prostatacancer genom deep learning assisterad bildanalys av celler

Prostate cancer is one of the most common types of cancer occurring in men. Several types of research have been done using deep learning methods for the classification/prediction of cancer grades. In this thesis, the results of prostate cancer risk prediction, based only on the images of cells from the prostate tissues, have been analyzed. Cell images from the prostate tissues were extracted using a deep learning based segmentation model. These cell images were then used in a Multiple Instance Learning model for cancer risk prediction. An attention mechanism was used to visualize the regions in the tissue to which the model paid more attention. The results suggest that the Multiple Instance Learning (MIL) model achieves an Area Under the receiver Operating Characteristics (AUROC) of 0.641 ± 0.013, which is better than a random model for low-risk vs. high-risk cancer prediction. The model’s prediction was made on cell images, with the glandular information destroyed. The MIL model, however, performs worse than a model which gets to see the glandular architecture of the cells in the prostate tissues. / Prostatacancer är en av de vanligaste typerna av cancer som förekommer ho smän. Flera typer av forskning har gjorts med metoder för djupinlärning förklassificering/förutsägelse av cancerns malignitetsgrad. I detta examensarbete harresultaten av prostatacancerriskprediktion, baserad enbart på bilder av celler från prostatavävnaderna, analyserats. Cellbilder från prostatavävnaderna extraherades med hjälp av en djupinlärningsbaserad segmenteringsmodell. Dessa cellbilder användes sedan i en Multiple Instance Learning-modell för förutsägelse av cancerrisk. En uppmärksamhetsmekanism användes för att visualisera de regioner i vävnaden som modellen ägnade mer uppmärksamhet åt. Resultaten tyder på att Multiple Instance Learning-modellen uppnår en AUROC på 0.641 ± 0.013, vilket är bättre än en slumpmässig modell för förutsägelse av lågrisk kontra högrisk cancer. Modellens förutsägelse gjordes på cellbilder, med körtelinformationen förstörd. MIL-modellen presterar dock sämre än en modell som får se körtelarkitekturen hos cellerna i prostatavävnaderna.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-320110
Date January 2022
CreatorsTejaswi, Aditya
PublisherKTH, Skolan för kemi, bioteknologi och hälsa (CBH)
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageEnglish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-CBH-GRU ; 2022:272

Page generated in 0.0022 seconds