Deep learning approaches for the spectral and morphological characterization of cancer in cells and tissues
Deep Learning Ansätze für die spektrale und morphologische Charakterisierung von Krebs in Zellen und Gewebe
- Computational pathology is mainly concerned with the analysis of microscopic images of tissue for the study of disease. The development of novel, computational decision support systems is one way to further personalized medicine efforts and enable differential diagnosis systems for early detection or therapy response prediction and characterization of diseases such as colorectal or urothelial carcinoma. With recent advances in (label-free) digital pathology, conventional glass slides carrying patient specimens can now be digitized into gigapixel whole slide images. This work presents novel deep learning approaches from the realm of representation and multiple instance learning to characterize cancer in cells and tissues from an infrared spectral and morphological perspective. By either learning robust representations of high-level features or finding key elements within the data instances, whole slide images can be analyzed effectively.
- Die computergestützte Pathologie befasst sich hauptsächlich mit der Analyse von Gewebebildern zur Erforschung von Krankheiten. Die Entwicklung von neuartigen Entscheidungshilfesystemen ist eine Möglichkeit, die personalisierte Medizin zu fördern und Differenzialdiagnosesysteme für die Früherkennung oder Vorhersage des Therapieansprechens und der Charakterisierung von Krankheiten zu ermöglichen. Mit den jüngsten Fortschritten in der (markierungsfreien) digitalen Pathologie, können herkömmliche Objektträger mit Patientenproben in Gigapixelbilder digitalisiert werden. In dieser Arbeit werden neue Deep-Learning-Ansätze aus dem Bereich des Repräsentations- und dem Lernen mit mehreren Instanzen vorgestellt. Durch das Erlernen robuster Repräsentationen von Merkmalen auf hoher Ebene oder das Finden von Schlüsselelementen innerhalb der Daten können Gigapixelbilder effektiv analysiert werden.
Author: | Joshua ButkeGND |
---|---|
URN: | urn:nbn:de:hbz:294-90374 |
DOI: | https://doi.org/10.13154/294-9037 |
Referee: | Axel MosigORCiDGND, Martin EisenacherORCiDGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2023/12/13 |
Date of first Publication: | 2023/12/13 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Biologie und Biotechnologie |
Date of final exam: | 2022/06/13 |
Creating Corporation: | Fakultät für Biologie und Biotechnologie |
GND-Keyword: | Bildanalyse; Pathologie; Lernen; Histopathologie; Krebs (Medizin) |
Institutes/Facilities: | Lehrstuhl für Biophysik, Arbeitsgruppe Bioinformatik |
Zentrum für Protein-Diagnostik (PRODI) | |
Dewey Decimal Classification: | Naturwissenschaften und Mathematik / Biowissenschaften, Biologie, Biochemie |
faculties: | Fakultät für Biologie und Biotechnologie |
Licence (English): | Creative Commons - CC BY-NC-ND 4.0 - Attribution-NonCommercial-NoDerivatives 4.0 International |