Learning local concepts from global training data for biomedical image segmentation and classification
Project goals
The aim of this project is to develop segmentation, classification, and detection algorithms for biological and medical images. Standard approaches for these tasks usually require very detailed training data, often pixel-level ground truth, which is very labor-expensive to generate. The distinguishing feature of our methods will be their use of simplified training data, with region-level or image-level labels or characteristics, which is much easier to obtain. The task will be formulated as a generalization of the multiple instance learning paradigm. We shall determine the local image features and the pixel-level classifier, but also the aggregation function that yields image-level labels. Alternatively, the classification can be represented as an artificial neural network, taking advantage of the recent achievements in the field of deep learning. We plan to apply our methods to a number of biomedical problems, such as classification of histopathology images, detecting multiple myeloma from CT, or counting Langerhans islets in microscopy images.
Keywords
imagesegmentationclassificationmachinelearningbiologymedicinedeeplearningmultipleinstance
Public support
Provider
Czech Science Foundation
Programme
Standard projects
Call for proposals
Standardní projekty 21 (SGA0201700001)
Main participants
České vysoké učení technické v Praze / Fakulta elektrotechnická
Contest type
VS - Public tender
Contract ID
17-15361S
Alternative language
Project name in Czech
Učení lokálních konceptů z globálních trénovacích dat pro klasifikaci a segmentaci biomedicínských obrazů
Annotation in Czech
Cílem projektu je vyvinout segmentační, klasifikační a detekční algoritmy pro biologické a lékařské obrázky. Běžné přístupy k těmto úlohám vyžadují detailní trénovací data, nejlépe na úrovni jednotlivých pixelů, jejichž získání je velmi pracné. Naše nové metody se budou vyznačovat použitím zjednodušených trénovacích dat na úrovni celých obrázků nebo jejich oblastí, které lze získat mnohem snadněji. Úloha bude formulovaná jako zevšeobecnění úlohy učení z mnoha instancí (``multiple instance learning''); bude potřeba najít jak lokální deskriptory a klasifikátory na úrovni pixelů, tak i agregační funkci poskytující výstup pro větší celek. Pokusíme se také reprezentovat celý systém jako neuronovou síť a využít tak velký pokrok z posledních let na poli tzv. hlubokého učení. Vyvinuté metody aplikujeme na několik biomedicínských problémů, jako je klasifikace histopatologických řezů, detekce mnohočetného myelomu z CT, nebo počítání Langerhansových ostrůvků z mikroskopických obrazů.
Scientific branches
Solution timeline
Realization period - beginning
Jan 1, 2017
Realization period - end
Dec 31, 2021
Project status
—
Latest support payment
May 22, 2019
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP21-GA0-GA-R/13:1
Data delivery date
Feb 22, 2021
Finance
Total approved costs
3,457 thou. CZK
Public financial support
3,042 thou. CZK
Other public sources
415 thou. CZK
Non public and foreign sources
0 thou. CZK
Basic information
Recognised costs
3 457 CZK thou.
Public support
3 042 CZK thou.
87%
Provider
Czech Science Foundation
CEP
JD - Use of computers, robotics and its application
Solution period
01. 01. 2017 - 31. 12. 2021