Bücher von Gajanan Kale

Un diagnostic précis du cancer du sein dans les images histopathologiques est difficile en raison de l'hétérogénéité de la croissance des cellules cancéreuses ainsi que de la diversité des lésions prolifératives bénignes des tissus mammaires. Dans ce travail, nous proposons une solution pratique et auto-interprétable de diagnostic invasif du cancer. Avec un minimum d'informations d'annotation, la méthode proposée explore les modèles de contraste entre les images normales et malignes de manière non supervisée et génère une carte de probabilité d'anomalies pour vérifier son raisonnement. En particulier, un auto-encodeur entièrement convolutif est utilisé pour apprendre les modèles structurels dominants parmi les patchs d'image normaux. Les correctifs qui ne partagent pas les caractéristiques de cette population normale sont détectés et analysés par une machine à vecteurs de support à une classe et un réseau neuronal à une couche. Nous appliquons la méthode proposée à un ensemble public d¿images du cancer du sein. Nos résultats, en consultation avec un pathologiste senior, démontrent que la méthode proposée surpasse les méthodes existantes. La carte de probabilité obtenue pourrait bénéficier à la pratique de la pathologie en fournissant des données de vérification visualisées et conduire potentiellement à une meilleure compréhension des solutions de diagnostic basées sur les données.

O diagnóstico preciso do câncer de mama em imagens histopatológicas é um desafio devido à heterogeneidade do crescimento das células cancerígenas, bem como a uma variedade de lesões proliferativas benignas do tecido mamário. Neste trabalho, propomos uma solução prática e autointerpretável para o diagnóstico de câncer invasivo. Com informações mínimas de anotação, o método proposto explora padrões de contraste entre imagens normais e malignas de maneira não supervisionada e gera um mapa de probabilidade de anormalidades para verificar seu raciocínio. Particularmente, um autoencoder totalmente convolucional é usado para aprender os padrões estruturais dominantes entre os patches de imagem normais. Patches que não compartilham as características desta população normal são detectados e analisados ¿¿¿¿por máquina de vetores de suporte de classe única e rede neural de 1 camada. Aplicamos o método proposto a um conjunto público de imagens de câncer de mama. Nossos resultados, em consulta com um patologista sênior, demonstram que o método proposto supera os métodos existentes. O mapa de probabilidade obtido pode beneficiar a prática patológica, fornecendo dados de verificação visualizados e potencialmente levando a uma melhor compreensão das soluções de diagnóstico baseadas em dados.

El diagnóstico preciso del cáncer de mama en imágenes de histopatología es un desafío debido a la heterogeneidad del crecimiento de las células cancerosas, así como a una variedad de lesiones proliferativas benignas del tejido mamario. En este trabajo proponemos una solución de diagnóstico de cáncer invasivo práctica y autointerpretable. Con información de anotación mínima, el método propuesto extrae patrones de contraste entre imágenes normales y malignas de manera no supervisada y genera un mapa de probabilidad de anomalías para verificar su razonamiento. En particular, se utiliza un codificador automático totalmente convolucional para aprender los patrones estructurales dominantes entre los parches de imágenes normales. Los parches que no comparten las características de esta población normal se detectan y analizan mediante una máquina de vectores de soporte de una clase y una red neuronal de una capa. Aplicamos el método propuesto a un conjunto de imágenes públicas de cáncer de mama. Nuestros resultados, en consulta con un patólogo experimentado, demuestran que el método propuesto supera a los métodos existentes. El mapa de probabilidad obtenido podría beneficiar la práctica de patología al proporcionar datos de verificación visualizados y potencialmente conducir a una mejor comprensión de las soluciones de diagnóstico basadas en datos.

La diagnosi accurata del cancro al seno nelle immagini istopatologiche è difficile a causa dell'eterogeneità della crescita delle cellule tumorali e di una varietà di lesioni proliferative benigne del tessuto mammario. In questo lavoro proponiamo una soluzione pratica e autointerpretabile per la diagnosi del cancro invasivo. Con informazioni di annotazione minime, il metodo proposto estrae modelli di contrasto tra immagini normali e maligne in modo non supervisionato e genera una mappa di probabilità delle anomalie per verificare il suo ragionamento. In particolare, un codificatore automatico completamente convoluzionale viene utilizzato per apprendere i modelli strutturali dominanti tra le normali patch di immagine. Le patch che non condividono le caratteristiche di questa popolazione normale vengono rilevate e analizzate da una macchina vettoriale di supporto di una classe e da una rete neurale a 1 strato. Applichiamo il metodo proposto a un set di immagini pubbliche del cancro al seno. I nostri risultati, in consultazione con un patologo esperto, dimostrano che il metodo proposto supera i metodi esistenti. La mappa di probabilità ottenuta potrebbe avvantaggiare la pratica patologica fornendo dati di verifica visualizzati e potenzialmente portare a una migliore comprensione delle soluzioni diagnostiche basate sui dati.

Eine genaue Diagnose von Brustkrebs in histopathologischen Bildern ist aufgrund der Heterogenität des Krebszellwachstums sowie einer Vielzahl gutartiger proliferativer Läsionen des Brustgewebes eine Herausforderung. In dieser Arbeit schlagen wir eine praktische und selbstinterpretierbare Lösung für die invasive Krebsdiagnose vor. Mit minimalen Anmerkungsinformationen ermittelt die vorgeschlagene Methode unbeaufsichtigt Kontrastmuster zwischen normalen und bösartigen Bildern und generiert eine Wahrscheinlichkeitskarte von Anomalien, um ihre Argumentation zu überprüfen. Insbesondere wird ein vollständig faltender Autoencoder verwendet, um die vorherrschenden Strukturmuster unter normalen Bildfeldern zu lernen. Patches, die nicht die Merkmale dieser normalen Population aufweisen, werden von einer Ein-Klassen-Support-Vektor-Maschine und einem einschichtigen neuronalen Netzwerk erkannt und analysiert. Wir wenden die vorgeschlagene Methode auf einen öffentlichen Brustkrebs-Bildersatz an. Unsere Ergebnisse in Absprache mit einem leitenden Pathologen zeigen, dass die vorgeschlagene Methode bestehende Methoden übertrifft. Die erhaltene Wahrscheinlichkeitskarte könnte der Pathologiepraxis durch die Bereitstellung visualisierter Verifizierungsdaten zugute kommen und möglicherweise zu einem besseren Verständnis datengesteuerter Diagnoselösungen führen.

Accurate diagnosis of breast cancer in histopathology images is challenging due to the heterogeneity of cancer cell growth as well as of a variety of benign breast tissue proliferative lesions. In this work, we propose a practical and self interpretable invasive cancer diagnosis solution. With minimum annotation information, the proposed method mines contrast patterns between normal and malignant images in unsupervised manner and generates a probability map of abnormalities to verify its reasoning. Particularly, a fully convolutional autoencoder is used to learn the dominant structural patterns among normal image patches. Patches that do not share the characteristics of this normal population are detected and analyzed by one-class support vector machine and 1-layer neural network. We apply the proposed method to a public breast cancer image set. Ourresults, in consultation with a senior pathologist, demonstrate that the proposed method outperforms existing methods. The obtained probability map could benefit the pathology practice by providing visualized verification data and potentially leads to a better understanding of data-driven diagnosis solutions.