Show simple item record

dc.contributor.advisorÄyrämö, Sami
dc.contributor.advisorPölönen, Ilkka
dc.contributor.advisorRuusuvuori, Pekka
dc.contributor.authorPetäinen, Liisa
dc.date.accessioned2022-05-20T06:23:46Z
dc.date.available2022-05-20T06:23:46Z
dc.date.issued2022
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/81181
dc.description.abstractTässä 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.fi
dc.description.abstractIn 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.en
dc.format.extent53
dc.format.mimetypeapplication/pdf
dc.language.isoen
dc.subject.otherdigital pathology
dc.subject.othercolorectal cancer
dc.subject.otherhistopathology
dc.subject.othermedical image analysis
dc.subject.othertumor-stroma ratio
dc.titleThe potential of convolutional neural network in the evaluation of tumor-stroma ratio from colorectal cancer histopathological images
dc.identifier.urnURN:NBN:fi:jyu-202205202813
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.laitosInformation Technologyen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.rights.copyrightJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rights.copyrightThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi602
dc.subject.ysoneuroverkot
dc.subject.ysosyöpätaudit
dc.subject.ysokoneoppiminen
dc.subject.ysopatologia
dc.subject.ysokonenäkö
dc.subject.ysopaksusuolisyöpä
dc.subject.ysoneural networks (information technology)
dc.subject.ysocancerous diseases
dc.subject.ysomachine learning
dc.subject.ysopathology
dc.subject.ysocomputer vision
dc.subject.ysocancer of the large intestine
dc.format.contentfulltext
dc.type.okmG2


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record