Universität Tübingen
Learning-based Histopathological Image Analysis and Monocular Depth Perception for Assisted Cancer Diagnosis
Abstract
Diagnose und Behandlung von Krebs sind ein anspruchsvolles Unterfangen, bei denen Chirurgen und Pathologen eng zusammenarbeiten, um eine präzise und umfassende Beurteilung der Krankheit zu gewährleisten. Fortschritte in der Medizintechnik führen zu neuen diagnostischen und therapeutischen Methoden, wie etwa der minimal-invasiven Chirurgie und der computergestützten Pathologie. Diese Methodiken erfordern jedoch ein intensives Training der Ärzte und bergen Herausforderungen. Lernbasierte Ansätze können Ärzte hierbei unterstützen Abläufe effizienter zu gestalten und so zu einer Verbesserung der Krebstherapie beitragen. Eine großes Hürde ist jedoch die begrenzte Verfügbarkeit von Daten. Ziel dieser Arbeit ist es, neue Methoden zu entwickeln, die Chirurgen und Pathologen bei ihrer Arbeit unterstützen und trotz geringer Datenlage bestmögliche Ergebnisse erzielen. Die Arbeit konzentriert sich hierbei auf Anwendungen im Kontext der Blasen- und Brustkrebsdiagnostik. Ein erster Schwerpunkt der Arbeit ist die Prädiktion von Tiefenkarten im Kontext zystoskopischer Untersuchungen. Bei diesem minimal-invasive Eingriff nutzt der Chirurg ein monokulares Endoskop um die Blase zu inspizieren. Diese Vorgehensweise schränkt die visuelle Wahrnehmung des Operateurs ein und erschwert die vollständige Erfassung der Blasenwand. Zudem ist es nicht möglich Ground-Truth Informationen zu akquirieren – eine Voraussetzung für lernbasierte Ansätze. Als Lösung wird ein dreistufiges Vorgehen vorgestellt. Grundlage bildet eine virtuelle Zystoskopieumgebung, zur Akquisition synthetischer Daten einschließlich Ground-Truth. Im Anschluss wird ein Netzwerk anhand der gewonnenen synthetischen Daten mittels einer überwachten Lernstrategie trainiert. In einem dritten Schritt wird das, dem Netzwerk immanente Wissen mittels adversarialer Domänenanpassung für reale Bilder nutzbar gemacht. Dieses Vorgehen zeigt vielversprechende Ergebnisse, welche den Weg für bildgestützte Chirurgie ebnen. Im weiteren Verlauf der Arbeit steht die histopathologische Bildanalyse im Fokus. Diese ist in der Krebsdiagnostik essenziell und basiert auf gigapixel-großen digitalisierten Gewebeschnitten. Pixel-genaue Annotationen für derart große Bilder sind äußerst aufwändig, wohingegen globale Label, wie Erkrankungsgrad, gut verfügbar sind, da man sie im Kontext klinischer Routine erfasst. Der zweite Teil der Arbeit fokussiert sich daher darauf, diese globalen Label nutzbar zu machen und präsentiert einen, auf Multiple Instance Learning basierenden Ansatz. Dieser kombiniert die dynamische Meta-Einbettung mit einer mittels Selbstdestillation trainierten Architektur. Dieses Vorgehen zeigt großes Potential für eine assistierte Krebsdiagnose, schafft die Möglichkeit mit einem einzigen Label auf Patientenebene relevante subzelluläre Merkmalen zu erfassen und ermöglicht die Nutzbarmachung großer Datenmengen bei geringem Annotationsaufwand.
Author and committee
dc:creator, dc:contributor.*- Author
-
- Holdenried-Krafft, Simon David
Identifiers
dc:identifier.*- Identifier
- hdl:10900/168342