{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3463126"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3463126","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Cross Scanner Breast Adenocarcinoma Image Segmentation with Deep Learning Algorithms","abstract":"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.","abstract_html":"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&amp;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.","abstract_has_math":false,"creators":["Τσολίσου Δάφνη","Tsolisou Dafni"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:31:54Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3463126"],"render_values":[{"text":"uoadl:3463126","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3463126","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3463126","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3463126","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσολίσου Δάφνη","Tsolisou Dafni"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3463126","https://pergamos.lib.uoa.gr/uoa/dl/object/3463126"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","The integration of artificial intelligence, particularly of deep learning algorithms, into med- ical imaging has revolutionized healthcare by enabling early disease detection, accurate diagnosis and personalized treatment planning. Accurate segmentation of breast adeno- carcinoma in histology images is crucial for determining tumor grade, which directly im- pacts treatment decisions and patient prognosis. While manual analysis by pathologists remains the gold standard, it is time-intensive and subject to inter-observer variability, creating the need for reliable automated solutions. A robust deep learning approach for semantic segmentation of breast adenocarcinoma is presented in this thesis, exploiting hematoxylin and eosin (H&E)-stained whole slide image (WSI) patches across multiple scanner domains. The variability in staining and imaging conditions across scanners poses a significant challenge to model generalization. The proposed method leverages DINOv2, a state-of-the-art vision foundation model, in- tegrated into a modified DeepLabv3+ architecture. To address challenges such as limited medical data and domain shifts, comprehensive data augmentation strategies are imple- mented. Furthermore, different training strategies are systematically examined through a cross-validation framework designed to assess the model’s generalizability. Model training is realized using a dataset of 180 WSI patches, obtained from three different scanners, and the final evaluation is fulfilled by deploying a hidden test set that comprises images from six scanners, including three previously unseen domains. The final model achieves a score of 82.22% on the COSAS 2024 challenge test set, calculated as the average of Dice and IoU scores, placing it among the top 5 performances. Notably, this score is accomplished using modest computational resources, demonstrating the feasibil- ity of adapting vision foundation models for specialized medical imaging tasks with limited data and computing power. The contribution of the current study is the creation of an effective pipeline for histopatho- logical image analysis that generalizes well across different scanner domains. The results indicate that combining vision foundation models with carefully designed training strate- gies can lead to robust performance in medical image segmentation tasks, potentially aiding pathologists in clinical settings. Finally, the successful implementation of this seg- mentation pipeline on limited computational resources highlights the practical applicability of this approach in real-world scenarios."]},{"key":"dc:title","label":"Title","values":["Cross Scanner Breast Adenocarcinoma Image Segmentation with Deep Learning Algorithms"]}]}],"canonical_facts":{"dc:creator":["Τσολίσου Δάφνη","Tsolisou Dafni"],"dc:date":["2025"],"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.","The integration of artificial intelligence, particularly of deep learning algorithms, into med- ical imaging has revolutionized healthcare by enabling early disease detection, accurate diagnosis and personalized treatment planning. Accurate segmentation of breast adeno- carcinoma in histology images is crucial for determining tumor grade, which directly im- pacts treatment decisions and patient prognosis. While manual analysis by pathologists remains the gold standard, it is time-intensive and subject to inter-observer variability, creating the need for reliable automated solutions. A robust deep learning approach for semantic segmentation of breast adenocarcinoma is presented in this thesis, exploiting hematoxylin and eosin (H&E)-stained whole slide image (WSI) patches across multiple scanner domains. The variability in staining and imaging conditions across scanners poses a significant challenge to model generalization. The proposed method leverages DINOv2, a state-of-the-art vision foundation model, in- tegrated into a modified DeepLabv3+ architecture. To address challenges such as limited medical data and domain shifts, comprehensive data augmentation strategies are imple- mented. Furthermore, different training strategies are systematically examined through a cross-validation framework designed to assess the model’s generalizability. Model training is realized using a dataset of 180 WSI patches, obtained from three different scanners, and the final evaluation is fulfilled by deploying a hidden test set that comprises images from six scanners, including three previously unseen domains. The final model achieves a score of 82.22% on the COSAS 2024 challenge test set, calculated as the average of Dice and IoU scores, placing it among the top 5 performances. Notably, this score is accomplished using modest computational resources, demonstrating the feasibil- ity of adapting vision foundation models for specialized medical imaging tasks with limited data and computing power. The contribution of the current study is the creation of an effective pipeline for histopatho- logical image analysis that generalizes well across different scanner domains. The results indicate that combining vision foundation models with carefully designed training strate- gies can lead to robust performance in medical image segmentation tasks, potentially aiding pathologists in clinical settings. Finally, the successful implementation of this seg- mentation pipeline on limited computational resources highlights the practical applicability of this approach in real-world scenarios."],"dc:identifier":["uoadl:3463126","https://pergamos.lib.uoa.gr/uoa/dl/object/3463126"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Cross Scanner Breast Adenocarcinoma Image Segmentation with Deep Learning Algorithms"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:54Z"}