Dobro je poznato da je označavanje patohistoloških podataka glavni razlog za sporu izradu i testiranje računalno potpomognutih dijagnostičkih sustava povezanih s obradom slike patohistoloških rezova. Važno je imati ispravno označene podatke kako bi se optimirali i analizirali rezultati algoritama, posebno u nadziranom učenju. Stoga prikupljanje oznaka, tj. labela moraju voditi i nadzirati iskusni medicinski stručnjaci. Međutim, taj proces zahtijeva mnogo vremena. Cilj ovog istraživanja bio je kreirati javno dostupnu bazu podataka, CoCaHis, kako bi se nadomjestio nedostatak označenih slika patohistoloških preparata na razini slikovnih elemenata. Skup podataka sadrži 82 slike sekcija smrznutih patohistoloških preparata, obojenih hematoksilinom i eozinom, uzetih intraoperativno od 19 pacijenata s dijagnozom adenokarcinomom debelog crijeva u jetri. Također, u bazi su sadržane oznake slika sedam stručnjaka. Pripadajuća Fleiss' kappa statistika vrijednosti 0.74 pokazuje da među označivačima postoji znatna razina slaganja. Dodatno, uz slike originalno obojenih uzoraka, u bazi su sadržane i slike normaliziranih boja prema dvije ciljne slike koje je odabrao patolog. Kako bi istraživanje na cijelom skupu podataka, pružilo i osnovne rezultate segmentacije s kojima se buduće studije mogu usporediti, upotrijebljena su dva konvencionalna modela strojnog učenja te tri modela dubokog učenja. Konkretno, naučeni i ispitani su inkrementalni algoritam k najbližih susjeda (kNN), inkrementalni stroj potpornih vektora (SVM), DeepLabv3+, U-Net, i U-Net++. Kada su se kombinirali dijagnostički rezultati sa slika originalno obojenih preparata i oni od slika normaliziranih boja, duboki modeli postigli su bolje rezultate. Na nezavisnom testnom skupu, duboki modeli su bili bolji od SVM-a i kNN-a u prosjeku za 14% u mikro-uprosječenoj balansnoj točnosti, 15% u mikro-uprosječenom F1, te 26% u slučaju mikro-uprosječene preciznosti (PPV). S druge strane, uspješnost različitih modela dubokog učenja po tim metrikama je u prosjeku unutar 2% razlike. Konačno, U-Net++ arhitektura s DenseNet201 osnovom je najbolje segmentirala slikovne elemente. Ostvareni rezultati su redom: 89.34% za balansnu točnost, 83.67% za F1 te PPV od 81.11%. Baza podataka i vodič za učitavanje i manipulaciju podatcima su javno dostupni na cocahis.irb.hr.