Deep-learning based semantic segmentation of healthy and metaplastic airway epithelium in lung tissue samples
I detta examensarbete utforskas möjligheten att använda så kallade "fully convolutional neural networks" för att utföra semantisk segmentering av epitelvävnad och metaplastisk epitelvävnad i hematoxylin-infärgade lungvävnadsprover. Vidare söker avhandlingen avgöra vilken nätverks-arkitektur som bäst löser detta problem. De arkitekturer som undersöks är ett flertal variationer av nätverkeIn this thesis, we explore the possibility of using fully-convolutional neural networks to semantically segment epithelium and metaplastic epithelium in hematoxylin-stained lung tissue samples. In addition, the thesis aims to find which network architecture is most effective for this task. The networks tested included several variations of the U-net network and various architectures converted to a