Categorization of Digital Pathology Image using Deep Learning model

Abstract

ع نجاح الذكاء االصطناعي )AI )في العديد من المهام في مجال رؤية الحاسوب، ينتظر أن يستفيد علم األمراض الرقمية من إمكانيات الذكاء االصطناعي. علم األمراض النسيجي معني أسا ًسا بفحص األنسجة البيولوجية لمراقبةمظهر الخاليا واألنسجة المصابة على مستويات مجهرية. التعرف التلقائي على أنواع األنسجة المختلفة في الصور النسيجية ضروري جدًا لمجموعة أدوات علم األمراض الرقمية. ومع ذلك، تركز معظم الدراسات الحالية بشكل رئيسي على التصنيف الثنائي للصور النسيجية )ورم/أنسجة طبيعية(، وهو بعيد عن تلبية االحتياجات السريرية. في هذه الرسالة، اقترحنا نموذج تعلم عميق للتصنيف متعدد الفئات للصور النسيجية؛ مشكلة النسيج متعدد الفئات تشير إلى مشكلة تجميع أنواع أنسجة متعددة معينة في ضوء عينة من األنسجة )في هذه الحالة، ثمانية أنواع مخت لفة(. للعثور على استراتيجية تصنيف مثالى، اعتمدنا شبكةFCN كفرع من الطبقات التالفيفية ، تليها الطبقات المتصلة بالكامل ثم المصنف softmax. The success of Artificial Intelligence (AI) in many tasks in computer vision expects that digital pathology applications can exploit AI potential. Histopathology primarily involves the examination of biological tissues at a microscopic level to observe the characteristics of both diseased cells and tissues. The digital pathology toolkit's ability to automatically identify various tissue types within histological images is a crucial component. However, most existing studies focused on the binary classification of histological images (tumor/stroma), far from meeting the clinical demand. In this thesis, we proposed a deep learning architecture for the multi-class classification of histological images. The multi-class texture challenge pertains to the task of categorizing several distinct tissue types when presented with a tissue sample, in this instance, comprising eight different types. To find an optimal classification strategy, we adopted a Fully Convolutional Network (FCN) as a branch of convolution layers with downsampling and upsampling inside the network, followed by the fully connected layers, and then the softmax classifier.