Αυτόματη Ανίχνευση Καρκίνου του Μαστού από Ιστοπαθολογικές Εικόνες μέσω Βαθιάς Μάθησης : Συγκριτική Μελέτη Αρχιτεκτονικών CNN

Abstract

Η παρούσα διπλωματική εργασία εστιάζει στην αυτόματη ανίχνευση και ταξινόμηση καρκίνου του μαστού από ιστοπαθολογικές εικόνες με τη χρήση τεχνικών βαθιάς μάθησης. Η μελέτη βασίζεται στο δημόσια διαθέσιμο σύνολο δεδομένων BreakHis, το οποίο περιλαμβάνει εικόνες βιοψιών σε τέσσερις διαφορετικές μεγεθύνσεις (40X, 100X, 200X και 400X). Αρχικά υλοποιείται μία patch-based προσέγγιση με αρχιτεκτονική AlexNet, η οποία χρησιμοποιείται ως μέθοδος αναφοράς (baseline). Στη συνέχεια, διερευνώνται πιο σύγχρονες προσεγγίσεις βασισμένες σε EfficientNet, τόσο με ανεξάρτητη εκπαίδευση ανά μεγέθυνση όσο και με συνδυασμό προβλέψεων μέσω στρατηγικών fusion, όπως weighted average, majority voting και max confidence. Επιπλέον, προτείνεται και αξιολογείται μία πολυκαναλική (multi-channel) προσέγγιση, όπου οι διαφορετικές μεγεθύνσεις ενσωματώνονται σε ένα ενιαίο input πολλαπλών καναλιών. Για τη βελτίωση της γενίκευσης εφαρμόζονται τεχνικές κανονικοποίησης χρώματος (Reinhard και Macenko stain normalization), καθώς και patch-based εκπαίδευση. Η αξιολόγηση πραγματοποιείται σε επίπεδο patch και ασθενή με μετρικές όπως Accuracy, ROC-AUC και F1-score. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι οι μέθοδοι EfficientNet, και ιδιαίτερα η multi-magnification προσέγγιση με fusion, υπερτερούν σημαντικά του baseline, αναδεικνύοντας τη σημασία της αξιοποίησης πληροφορίας από πολλαπλές κλίμακες στην ανάλυση ιστοπαθολογικών εικόνων.