diplomová práce

Analýza histopatologických obrazů pomocí hlubokého učení

Text práce 25.02 MB Příloha 6.29 MB

Autor práce: Ing. Filip Seč

Ak. rok: 2025/2026

Vedoucí: Ing. Anzhelika Mezina, Ph.D.

Oponent: Ing. Martin Jonák, Ph.D.

Abstrakt:

Táto diplomová práca sa zaoberá analýzou histopatologických obrazov pomocou metód hlbokého učenia so zameraním na klasifikáciu karcinómu prostaty z digitalizovaných celoplošných preparátov. Hlavná časť práce využíva dataset PANDA na predikciu skupiny ISUP na úrovni celého preparátu pomocou multiple-instance learning a príznakov extrahovaných zmrazenými patologickými foundation modelmi. V práci sú porovnané štyri enkodéry a navrhnuté modely kombinujúce ich zarovnané príznakové reprezentácie vrátane reziduálneho riadeného spájania a kontrafaktuálnej regularizácie smerovania.

Najlepší model využívajúci jeden enkodér dosiahol na datasete PANDA priemernú hodnotu kvadraticky váženého koeficientu kappa 0,922. Pri externom vyhodnotení na datasete SICAPv2 dosiahol najlepší výsledok model s kontrafaktuálnou regularizáciou smerovania, a to QWK 0,884. Analýza pozornosti zároveň ukázala, že model vo všeobecnosti priraďuje vyššiu dôležitosť nádorovým oblastiam, avšak váhy pozornosti ani smerovania nemožno považovať za úplné vysvetlenie jeho rozhodnutí.

Výsledky ukazujú, že spojenie patologických foundation modelov s multiple-instance learning predstavuje silný základ pre klasifikáciu prostatických biopsií. Zároveň poukazujú na význam externej validácie a overenia správania modelu mimo vývojového datasetu.

Klíčová slova:

digitálna patológia, histopatologické obrazy, karcinóm prostaty, celoplošný digitálny preparát, hlboké učenie, multiple-instance learning, patologické foundation modely, klasifikácia ISUP, PANDA, SICAPv2

Termín obhajoby

09.06.2026

Výsledek obhajoby

obhájeno (práce byla úspěšně obhájena)

znamkaAznamka

Klasifikace

A

Průběh obhajoby

Student prezentoval výsledky své práce a komise byla seznámena s posudky. Otázky oponenta: Mohl byste detailně objasnit princip „counterfactual gate regularization“? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.

Jazyk práce

čeština

Fakulta

Fakulta elektrotechniky a komunikačních technologií

Ústav

Ústav telekomunikací

Studijní program

Telekomunikační a informační technika (MPC-TIT)

Složení komise

doc. Ing. Petr Mlýnek, Ph.D. (předseda)
doc. Ing. Martin Vaculík, Ph.D. (místopředseda)
doc. Ing. Pavel Šilhavý, Ph.D. (člen)
doc. Ing. Martin Kyselák, Ph.D. (člen)
Ing. Rudolf Vohnout, Ph.D. (člen)
Ing. Pavel Bezpalec, Ph.D. (člen)
Ing. Lukáš Benešl, Ph.D. (člen)
Jakub Lešinský (člen)
Ing. Viet Anh Phan (člen)

Posudek vedoucího
Ing. Anzhelika Mezina, Ph.D.

Student Bc. Filip Seč pracoval na aktuálním tématu zaměřeném na analýzu histopatologických snímků. Během zpracování diplomové práce pravidelně konzultoval postup řešení i vzniklé problémy.
Text práce je celkově zpracován dobře, nicméně doporučila bych odlišnou strukturu praktické části, aby bylo zřetelněji odděleno, co představuje vlastní přínos autora a co je testování existujících modelů. Finální verzi práce jsem bohužel obdržela až po jejím odevzdání. Text rovněž obsahuje drobné typografické nedostatky.

Pozitivně hodnotím rozsah realizované praktické části, proaktivní přístup studenta během řešení práce, návrh vlastního řešení i odborné posouzení výsledků ze strany lékaře.

I přes uvedené nedostatky bylo zadání práce splněno v plném rozsahu. Práci doporučuji k obhajobě a hodnotím ji stupněm A (90 bodů). Výsledný počet bodů navržený vedoucím: 90

Známka navržená vedoucím: A

Posudek oponenta
Ing. Martin Jonák, Ph.D.

Autor se ve své diplomové práci s názvem Analysis of histopathological images using deep learning věnuje určování stupně závažnosti karcinomu prostaty podle mezinárodní klasifikace ISUP z celosnímkových histopatologických obrazů. Práce řeší hlavní úskalí této domény, což je extrémní velikost snímků a variabilita ve vzhledu dat, která bývá způsobená odlišným barvením či skenováním v různých laboratořích.

Byl navržen systém, kde jsou tyto velké snímky reprezentovány jako soubory příznaků extrahovaných pomocí čtyř moderních, předtrénovaných modelů (uni_v2, gigapath, hoptimus0, hoptimus1). K následné klasifikaci celého snímku autor využil přístup učení s více instancemi a také zkoumal, zda kombinace těchto čtyř různých enkodérů přináší přesnější výsledky. Na závěr bylo provedeno testování na datasetu SICAP, čímž bylo simulováno reálné nasazení v praxi.

Předložená diplomová práce je kompletní a logicky členěná. Autorovi vytýkám drobné formální nedostatky, např. ve zvoleném barevném měřítku v maticích záměn na str. 67. Rovněž vytýkám celkovou přehlednost práce, kdy je těžší zorientovat se v tom co je převzaté a co vytvořil autor. Otázky k obhajobě:
  1. Mohl byste detailně objasnit princip „counterfactual gate regularization“?
Výsledný počet bodů navržený oponentem: 91

Odpovědnost: Mgr. et Mgr. Hana Odstrčilová