Back to search

National and Kapodistrian University of Athens

Cross Scanner Breast Adenocarcinoma Image Segmentation with Deep Learning Algorithms

Abstract

dc:description

Η ενσωμάτωση της τεχνητής νοημοσύνης, κυρίως μεθόδων βαθιάς μάθησης, στην ιατρική απεικόνιση αποτελεί σημαντική πρόοδο στον τομέα της υγείας, ενισχύοντας την έγκαιρη και ακριβέστερη διάγνωση ασθενειών και την παροχή εξατομικευμένης θεραπείας. Ο α- κριβής κατακερματισμός αδενοκαρκινώματος μαστού σε ιστολογικές εικόνες είναι υψίστης σημασίας για την κατηγοριοποίηση του καρκίνου, αφού καθορίζει άμεσα το είδος θεραπεί- ας και την πρόγνωση ασθενών. Συνήθως η εξέταση ιστολογικών γίνεται με μικροσκόπιο, το οποίο είναι χρονοβόρο και εξαρτάται άμεσα από τον παρατηρήτη, δημιουργώντας την ανάγκη αυτόματης ανάλυσης εικόνων με αξιόπιστες μεθόδους. Αυτή η εργασία παρουσιάζει μια εφαρμογή ισχυρών μεθόδων βαθιάς μάθησης για τον σημασιολογικό κατακερματισμό αδενοκαρκινώματος μαστού, σε κομμάτια εικόνων ολό- κληρων πλακιδίων (WSI), βαμμένες με αιματοξυλίνη και ηωσίνη (H&E) και ψηφιοποιημέ- νες από διαφορετικούς σαρωτές. Διαφοροποίησεις στις συνθήκες χρώσης και λειτουργίας σαρωτών δημιουργούν προβλήματα γενίκευσης τέτοιων μοντέλων. Η προτεινόμενη μέθοδος αξιοποιεί το DINOv2, ένα σύγχρονο θεμελιώδες μοντέλο όρα- σης (VFM), ενσωματωμένο στην αρχιτεκτονική του DeepLabv3+. Για την αντιμετώπιση ε- μποδίων, όπως η περιορισμένη διαθεσιμότητα δεδομένων και οι διαφοροποιήσεις μεταξύ σαρωτών, εφαρμόστηκαν εκτεταμένες μέθοδοι επαύξησης εικόνων. Επιπλέον, πραγμα- τοποιήθηκε συστηματική αξιολόγηση διαφορετικών στρατηγικών εκπαίδευσης με χρήση διασταυρούμενης επαλήθευσης, τέτοιας ώστε να αξιολογηθεί η ικανότητα γενίκευσης. Η εκπαίδευση έγινε χρησιμοποιώντας 180 κομμάτια WSI, από τρείς διαφορετικούς σαρω- τές, και η τελική αξιολόγηση σε κρυφό σύνολο με κομμάτια WSI από έξι σαρωτές, εκ των οποίων οι τρεις άγνωστοι. Το αποτέλεσμα του τελικού μοντέλου στο κρυφό σύνολο του διαγωνισμού COSAS 2024 ήταν 82.22%, υπολογισμένο ως ο μέσος όρος των μέτρων Dice και IoU, κατατάσσοντάς το ανάμεσα στις πέντε κορυφαίες επιδόσεις. Αξίζει να ση- μειωθεί ότι αυτό επιτεύχθηκε με χρήση μέτριων υπολογιστικών πόρων, αποδεικνύοντας τη δυνατότητα προσαρμογής VFMs στις ειδικές απαιτήσεις της ιατρικής απεικόνισης. Η συνεισφορά της παρούσας μελέτης είναι η δημιουργία μιας αποτελεσματικής διαδικασί- ας ανάλυσης ιστολογικών εικόνων, γενικεύσιμης σε διαφορετικούς σαρωτές. Τα αποτελέ- σματα υποδεικνύουν ότι ο συνδυασμός VFMs και προσεκτικά σχεδιασμένων στρατηγικών εκπαίδευσης μπορεί να επιφέρει ισχυρές επιδόσεις στον κατακερματισμό τέτοιων εικόνων, ενδεχομένως βοηθώντας τους παθολογοανατόμους στην πράξη. Τέλος, η επιτυχής ανά- πτυξη της διαδικασίας με περιορισμένους πόρους υπογραμμίζει την πρακτικότητα της.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Τσολίσου Δάφνη
  • Tsolisou Dafni

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3463126

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Τσολίσου Δάφνη; Tsolisou Dafni. Cross Scanner Breast Adenocarcinoma Image Segmentation with Deep Learning Algorithms. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/3463126