The potential of convolutional neural network in the evaluation of tumor-stroma ratio from colorectal cancer histopathological images

Abstract

Tässä Pro gradu-työssä tutkitaan konvoluutioneuroverkkojen käyttömahdollisuuksia histopatologisista kuvista tehtävässä kasvain-strooma suhdeluvun arvioinnissa. Tarkoituksena on selvittää, mikä on siirto-opettamisen vaikutus, kun opettamisessa käytetään kohdealuespesifistä dataa. Mallin ennustamaa kasvain-strooma suhdelukua verrataan patologin visuaalisesti tekemään arvioon. Tutkimuksesta selvisi, että kohdealuespesifisen datan käyttö esiopetuksessa lisää konvoluutioneuroverkkomallin tarkkuutta. Myös korrelaatiota ennustetun ja visuaalisen arvion välillä oli havaittavissa. Tulevaisuudessa olisi hyvä tutkia kasvain-strooma-suhdeluvun yhteyttä muihin kliinispatologisiin tekijöihin ja potilaan elinaikaan.

In this Master’s Thesis, the ability of convolutional neural networks in the evaluation of tumor-stroma ratio from histopathological images, is studied. The goal is to find out, whether pre-training with domain-specific data brings more accuracy to the convolutional neural network model. Tumor-stroma ratio is predicted with the trained model and the predicted values are compared with visual tumor-stroma estimations made by pathologist. When domain-specific data was used in the pre-training of the convolutional neural network, a slight improvement in the validation accuracy of the model was observed. Correlation between the predicted and visual values was also found. Further analysis is needed to study what is the connection of these computationally predicted values to other clinicopathological factors and overall survival of the patient.