Anàlisi d'espais de representació profunds pel diagnòstic del carcinoma colorectal en histopatologia digital
Martí Escolà, Pau
Sanchez Ramos, Carles, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Análisis de espacios de representación profundos para el diagnóstico del carcinoma colorrectal en histopatología digital
Títol variant:	Analysis of deep representation spaces for the diagnosis of colorectal carcinoma in digital histopathology
Data:	2025
Resum:	Aquest projecte se centra en l'anàlisi d'espais de representació profunds per al diagnòstic del carcinoma colorectal.
Resum:	Este proyecto se centra en el análisis de espacios de representación profundos para el diagnóstico del carcinoma colorrectal pT1 en histopatología digital. Dada la complejidad de la detección de este cáncer en etapas tempranas debido a cambios morfológicos sutiles, se explora la aplicación de redes neuronales, especialmente los Vision Transformers (ViTs), las Graph Neural Networks (GNNs) y la combinación de ambos. La metodología incluye la preparación y análisis de datos histopatológicos, dividiendo las imágenes en parches y clasificándolas según el porcentaje de infiltración tumoral. Se implementan y comparan modelos de deep learning existentes como CNNs, ResNet, DenseNet y ViTs, incluyendo uno preentrenado específicamente en histopatología. Un aspecto clave del proyecto es el desarrollo de arquitecturas híbridas, combinando la extracción de características y matrices de atención de los ViTs con Neural Networks (NN) o GNNs para una representación más estructurada del tejido. Se experimenta con diferentes estrategias de agregación de las 12 matrices de atención del ViT, incluyendo la media ponderada, una capa de agregación Conv2D entrenada y un conjunto de 12 modelos mediante votación mayoritaria (max voting). Hemos podido demostrar que las arquitecturas híbridas que utilizan el ViT como extractor de características son mejores que las tradicionales. La mejor arquitectura ha sido ViT+NN con una AUC de 0. 9537 ± 0. 0771.
Resum:	This project focuses on the analysis of deep representation spaces for the diagnosis of pT1 colorectal carcinoma in.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original.
Llengua:	Català
Titulació:	Enginyeria Informàtica [2502441]
Pla d'estudis:	Enginyeria Informàtica [958]
Document:	Treball final de grau ; Text
Àrea temàtica:	Menció Computació
Matèria:	Histopatologia digital ; Carcinoma colorectal ; Aprenentatge profund ; Vision Transformers (ViTs) ; Graph Neural Networks (GNNs) ; Detecció d'infiltracions ; Agregació ; Arquitectura Híbrida ; Atenció ; Histopatología digital ; Carcinoma colorrectal ; Aprendizaje profundo ; Detección de infiltraciones ; Agregación ; Arquitectura híbrida ; Atención ; Digital Histopathology ; Colorectal Carcinoma ; Deep Learning ; Infiltration Detection ; Aggregation ; Hybrid Architecture ; Attention

13 p, 2.2 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG