Medical image analysis of gastric cancer in digital histopathology: methods, applications and challenges
| dc.contributor.advisor | Hellwich, Olaf | |
| dc.contributor.author | Sharma, Harshita | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Hellwich, Olaf | |
| dc.contributor.referee | Grabe, Niels | |
| dc.contributor.referee | Hufnagl, Peter | |
| dc.date.accepted | 2017-04-25 | |
| dc.date.accessioned | 2017-05-08T09:52:15Z | |
| dc.date.available | 2017-05-08T09:52:15Z | |
| dc.date.issued | 2017 | |
| dc.description.abstract | Medical image analysis in digital histopathology is a currently expanding and exciting field of scientific research. In this work, histopathological image analysis is extensively studied and a systematic framework for computer-based analysis in H&E stained whole slide images of gastric carcinoma is proposed. The exhaustive experimental study comprises of three fundamental stages, namely, preparation of materials, image pre-analysis and analysis of cancer regions. These stages collectively incorporate the understanding, formulation, implementation and evaluation of suitable image analysis tasks required to achieve the defined research objectives in each stage, for example, registration and annotation transformation between whole slide images, cell nuclei segmentation and classification, multiresolution combination of visual information for segmentation enhancement, appearance-based necrosis detection, and cancer classification based on immunohistochemistry. Computerized applications are also demonstrated as an outcome of the conducted research, including computer-aided diagnosis, content-based image retrieval and automatic determination of tissue composition. The research focuses on the development of methods for effective representation and subsequent classification of regions of interest in histopathological image datasets. For this purpose, two image analysis routes, namely, traditional route and deep learning route are investigated. The traditional route consists of handcrafted feature extraction to describe textural, color, intensity, morphological and architectural properties of tissues followed by traditional machine learning methods including support vector machines, AdaBoost ensemble learning and random forests. In this domain, graph-based methods are extensively explored due to their ability to suitably represent the spatial arrangements and neighborhood relationships in tissue regions. A novel graph-based image description method called cell nuclei attributed relational graph is proposed along with multiple variants, for knowledge description of individual component characteristics, spatial interactions and underlying tissue architecture in histopathological images. In the deep learning route, convolutional neural networks are thoroughly investigated. A self-designed convolutional neural network architecture is introduced and analyzed for cancer classification and necrosis detection, also compared with a widely-known framework and ensemble of deep networks. During the detailed investigation, system performance is rigorously analyzed using different experimental aspects, for instance, algorithm parameters, feature configurations and classification strategies. The entire proposed framework is quantitatively evaluated at each stage using a set of performance metrics. A reasonable performance is achieved using the described methods, comparing favorably, and even outperforming the state-of-the-art techniques in certain occasions. The empirical observations, corresponding conclusions, scientific implications and future directions of the research are thoroughly discussed. Collectively, the discussed histopathological image analysis methods in H&E stained gastric cancer whole slide images aim to reduce manual preparation efforts, inspection times, and inter-and intra-observer variability. Moreover, the developed methods can potentially improve the current state of technology through applications such as automatic classification, content-based image retrieval, archiving, bio-banking, marker quantification, detecting malignant changes over time, providing second opinions to pathologists, thereby contributing towards diagnosis, prognosis, education and research in biology and medicine. | en |
| dc.description.abstract | Medizinische Bildanalyse in der digitalen Histopathologie ist ein derzeit expandierendes und spannendes Forschungsfeld. In dieser Arbeit wird die histopathologische Bildanalyse umfassend untersucht und ein systematischer Ansatz für computerbasierte Analysen H&E-gefärbter virtueller Schnitte von Magenkarzinom vorgeschlagen. Die erschöpfende experimentelle Studie besteht aus drei grundlegenden Stadien, nämlich Vorbereitung von Materialien, Bildvoranalyse und Analyse von Krebsregionen. Diese Phasen umfassen das Verständnis, die Formulierung, die Implementierung und die Bewertung von geeigneten Bildanalyseaufgaben, die erforderlich sind, um die definierten Forschungsziele in jedem Stadium zu erreichen, beispielsweise die Registrierung und die Annotationstransformation zwischen virtuellen Schnitten, Zellkernsegmentierung und Klassifikation, Kombination visueller Informationen unterschiedlicher Auflösung zur Segmentierungsverbesserung, aussehensbasierte Nekrose-Erkennung, und Krebs-Klassifizierung auf der Grundlage der Immunhistochemie. Als Ergebnis werden computergestützte Anwendungen der durchgeführten Forschung gezeigt, einschließlich computergestützter Diagnose, inhaltsbasierter Bildwiedergewinnung und automatischer Bestimmung der Gewebezusammensetzung. Die durchgeführte Forschung betrifft die Entwicklung von Methoden für eine effektive Darstellung und anschließende Klassifizierung in histopathologischen Bilddatensätzen. Dazu werden zwei Bildanalysewege untersucht, nämlich ein traditioneller und ein Deep Learning Ansatz. Der traditionelle Ansatz besteht aus einer Merkmalsextraktion, um Textur, Farbe, Intensität, morphologische und architektonische Eigenschaften von Geweben zu beschreiben, gefolgt von traditionellen maschinellen Lernmethoden, einschließlich der Support Vector Maschinen, AdaBoost Ensemble Learning und Random Forests. Auf diesem Gebeit werden graphenbasierte Verfahren aufgrund ihrer Fähigkeit, die räumlichen Anordnungen und Nachbarschaftsbeziehungen in Gewebebereichen geeignet darzustellen, umfassend erforscht. Ein neues graphisches Bildbeschreibungsverfahren namens Cell-nuclei Attributed Relational Graph wird zusammen mit mehrere Varianten zur Wissensbeschreibung einzelner Komponentenmerkmale, räumlicher Interaktionen und zugrunde liegenden Gewebearchitekturen in histopathologischen Bildern vorgeschlagen. Im Deep Learning Bereich werden Convolutional Neural Networks gründlich untersucht. Eine Convolutional Neural Network Architektur wird eingeführt und für die Krebsanalyse und Nekrose-Detektion verwendet, und mit einer weithin bekannten Netzwerk Architektur und Ensembln von Deep Netzwerkn vergleichen. Während der Detailuntersuchungen wurde die Systemleistung unter unterschiedlichen Aspekten wie Algorithmenparametern, Merkmalskonfigurationen und Klassifizierungsstrategien analysiert. Der vorgeschlagene Ansatz wird in jedem Stadium quantitativ unter Verwendung eines Satzes von Leistungsmetriken bewertet. Mit den entwickelten Methoden wird eine Leistung erzielt, die den Stand der Technik erreicht oder besser ist. Die empirischen Beobachtungen, die entsprechenden Schlussfolgerungen, die wissenschaftlichen Implikationen und die zukünftigen Forschungsrichtungen werden eingehend erörtert. Zusammenfassend kann festgestellt werden, dass die diskutierten histopathologischen Bildanalyseverfahren in H& E-gefärbten virtuellen Schnitten von Magenkrebs manuelle Vorbereitung, Prüfzeiten und Ergebnisvariabilität reduzieren. Darüber hinaus können die entwickelten Methoden den aktuellen Stand der Technik durch Anwendungen, wie beispielsweise automatische Klassifizierung, inhaltsbasierte Bildsuche, Archivierung, Bio-Banking und Marker-Quantifizierung verbessern. Bei der Analyse, bösartiger Veränderungen im Zeitverlauf bieten sie eine zweite Meinung zu der der Pathologen, und dadurch einen Beitrag zur Diagnose und Prognose in Biologie und Medizin. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/6332 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-5888 | |
| dc.language.iso | en | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject.ddc | 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | de |
| dc.subject.other | digital histopathology | en |
| dc.subject.other | gastric carcinoma | en |
| dc.subject.other | whole slide images | en |
| dc.subject.other | cancer classification | en |
| dc.subject.other | necrosis detection | en |
| dc.subject.other | handcrafted feature extraction | en |
| dc.subject.other | attributed relational graphs | en |
| dc.subject.other | traditional machine learning | en |
| dc.subject.other | deep learning | en |
| dc.subject.other | convolutional neural networks | en |
| dc.subject.other | computer-aided diagnosis | en |
| dc.subject.other | digitale Histopathologie | de |
| dc.subject.other | Magenkarzinom | de |
| dc.subject.other | Virtuelle Schnitte | de |
| dc.subject.other | Krebs-Klassifikation | de |
| dc.subject.other | Nekrose-Erkennung | de |
| dc.subject.other | Merkmalsextraktion | de |
| dc.subject.other | attributierte relationale Graphen | de |
| dc.subject.other | Maschinelles Lernen | de |
| dc.subject.other | computergestützte Diagnose | de |
| dc.title | Medical image analysis of gastric cancer in digital histopathology: methods, applications and challenges | en |
| dc.title.translated | Medizinische Bildanalyse von Magenkarzinom in der Digitalen Histopathologie: Methoden, Anwendungen und Herausforderungen | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Technische Informatik und Mikroelektronik | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.institute | Inst. Technische Informatik und Mikroelektronik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |