UNI-HoVerNet Szegmentációs modell implementálása

Abstract

A szakdolgozatom témája a digitális patológia és a mélytanulás ötvözése, melynek keretében egy sejtmagszegmentáló és morfológiai osztályozó modellt fejlesztettem. A gyakorlatban egy hibrid architektúrát implementáltam PyTorch keretrendszer használatával, amely a hagyományos konvolúciós hálózatok lokális élkereső képességét ötvözi a modern Vision Transformerek globális kontextus-megértésével. A hálózat dekóder részét a HoVerNet struktúrája alapján alakítottam ki, amely három párhuzamos ágon keresztül valósítja meg a bináris szegmentációt, a sejttípus-besorolást és a távolságtérképek létrehozását. A modell tanításához és a mérésekhez a PanNuke adathalmazt használtam fel. Az elvégzett vizsgálatok megmutatták a két architektúra fúziójának előnyeit és hátrányait az alapmodellekhez képest. Összességében a dolgozat egy működőképes koncepcióigazolás, amely rávilágít a lokális és globális jellemzők együttes alkalmazásában rejlő lehetőségekre a szövettani képelemzésben.