CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Classifying nuclei in soft oral tissue slides
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Klassificering av cellkärnor i mjuka orala vävnader (Swedish)
Abstract [en]

A big focus of pathology is the analysis of tissues, cells, and body fluid samples. In recent years, with the advent of high resolution scanners, we have seen an increase in the use of artificial intelligence in pathology. In this work we present a new dataset (KI dataset), compiled from slides of soft oral tissue and the present nuclei labeled by pathologists at the Department of Dental Medicine at Karolinska Institutet. We test the performance of two fully trained neural networks along with one fine-tuned deep model on the KI dataset, aimed at classifying nuclei from the slides into one of three classes. The first fully trained network is a shallow CNN, with the second fully trained network being a slightly deeper version of the first one. Both of these networks have previously been used for the task of nuclei classification, but on different datasets. We also test the performance of a fine-tuned VGG16 model, where we train the last layer of a model pre-trained on the widely used ImageNet dataset. The fine-tuned deep neural network (VGG16) produces promising results and we show that the fully trained models perform better on the KI dataset, compared to their results on a dataset of colon cancer slides, leading us to believe that the dataset is good and can be used in further research.

Abstract [sv]

De senaste åren har ett starkt fokus inom patologin varit på analysering av vävnader, celler och prover av kroppsvätskor. Under de senaste årens introduktion av högupplösande skanners har vi sett en ökning av användandet av artificiell intelligens inom patologin. I detta arbete presenterar vi ett nytt dataset (KI dataset), sammanställt av objektglas med mjuk oral vävnad och de aktuella cellkärnorna märkta av patologer vid Karolinska sjukhusets avdelning för medicinsk tandvård. Vi testar prestationsförmågan hos två fullt utbyggda neurala nätverk tillsammans med ett fininställt djupt neuralt nätverk på KI-datasetet, med syftet att klassificera cellkärnor från objektglasen i en av tre klasser. Det första fullt utbyggda nätverket är ett grunt CNN, medan det andra fullt utbyggda nätverket är en något djupare version av av det första. Båda dessa nätverk har tidigare använts for uppgiften att klassificera kärnor, men på andra dataset. Vi testar också prestationsförmågan hos en fininställd VGG16-modell, där vi tränar det sista skiktet hos ett i förväg tränat nätverk på ImageNet datasetet, vilket används i stor utsträckning. Det fininställda djupa neurala nätverket (VGG16) visar lovande resultat och vi visar att de fullt utbyggda modellerna presterar bättre på KI-datasetet, jämfört med dess resultat på ett dataset av objektglas med tarmcancer, vilket leder oss att tro att datasetet är bra och kan användas i fortsatt forskning.

Place, publisher, year, edition, pages
2019. , p. 48
Series
TRITA-EECS-EX ; 2019:779
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-271184OAI: oai:DiVA.org:kth-271184DiVA, id: diva2:1415907
External cooperation
Karolinska Institutet
Subject / course
Computer Science
Educational program
Master of Science - Machine Learning
Supervisors
Examiners
Available from: 2020-03-20 Created: 2020-03-20 Last updated: 2020-03-20Bibliographically approved

Open Access in DiVA

fulltext(3779 kB)2 downloads
File information
File name FULLTEXT01.pdfFile size 3779 kBChecksum SHA-512
4d2260384bd92cbce26ee0f90f8d48f67ac280474a1581365fe8872422902d5ca6958501f23ca9b158efe4dc13139fd09a5b0c85ee0e063737b4859e47fbddb6
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 2 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 4 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf