dc.contributor.advisor | Fernández-Lozano, Carlos | |
dc.contributor.advisor | Liñares Blanco, José | |
dc.contributor.author | Regal Llamas, Juan Miguel | |
dc.contributor.other | Enxeñaría informática, Grao en | es_ES |
dc.date.accessioned | 2022-08-12T08:41:51Z | |
dc.date.available | 2022-08-12T08:41:51Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | http://hdl.handle.net/2183/31270 | |
dc.description.abstract | [Abstract] Cancer is one of the main death causes in the world, being in 2020 almost 10 million deaths
associated to this disease, this is one out of six deaths. Also, of the different types of cancer
diagnosed, breast cancer was the most frequent in 2020, with 2.26 million cases detected.
There exists cancer subtyping methods by genomic methods very accurate, however they
have a very elevated cost, so being able to subtype with cheaper methods using clinical data
and other data like images of tumor tissue samples would provide a low cost solution to
subtype cancer.
This project has as objective to implement a system for the download of data through the
Genomic Data Commons (GDC) API, the preprocessing of images and clinical data, the application
of different Convolutional Neural Network (CNN) models on images and clinical data,
and the analysis and comparison of these results in a way that can be easily used with different
data provided by the user or downloaded from the GDC, as also the use of this described
program with breast cancer histopathological images and clinical data and the analysis of the
results obtained. | es_ES |
dc.description.abstract | [Resumo] O cancro é unha das principais causas de morte no mundo, sendo en 2020 casi 10 millones
de mortes asociadas a esta enfermidade, esto é unha de cada seis mortes. Ademáis, dos
diferentes tipos de cancro existentes diagnosticados, o de mama foi o mais frecuente en 2020,
con 2,26 millóns de casos detectados.
Existen métodos de subtipado de cancros por métodos xenómicos moi precisos, pero teñen
un coste moi elevado, polo que poder subtipar mediante métodos máis baratos utilizando
datos clínicos e outros datos coma imaxes de mostras de texido tumoral proporcionaría unha
solución de baixo coste para subtipar cancro.
Este traballo ten como obxectivo implementar un sistema de descarga de datos a través
da API da Genomic Data Commons (GDC), o preprocesado das imaxes e dos datos clínicos, a
aplicación de diferentes modelos de redes neuronales convolucionales (CNN) sobre imaxes e
sobre datos clínicos, e o análise e comparación destes resultados de forma que se poida utilizar
fácilmente con diferentes datos que o usuario proporcione ou descargue da GDC. Tamén a
utilización deste programa descrito con imaxes histopatolóxicas de cancro de mama e datos
clínicos e o análise dos resultados obtidos. | es_ES |
dc.language.iso | eng | es_ES |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 España | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | * |
dc.subject | Deep learning | es_ES |
dc.subject | Breast cancer | es_ES |
dc.subject | Histopathology images | es_ES |
dc.subject | Genomic subtyping | es_ES |
dc.title | Analysis by convolutional networks of histopathology images for genomic subtyping in breast cancer | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
dc.rights.access | info:eu-repo/semantics/openAccess | es_ES |
dc.description.traballos | Traballo fin de grao. Enxeñaría Informática. Curso 2021/2022 | es_ES |