Дълбоко структурирана остатъчна енкодер-декодерна мрежа с нова функция за загуба за ядрена сегментация на хистопатологични изображения на бъбреци и гърди

Резюме

За подобряване на процеса на диагностика и лечение на ракови заболявания, автоматичното сегментиране на оцветени с хематоксилин и еозин (H & E) клетъчни ядра от хистопатологични изображения е първата стъпка в дигиталната патология. Предложената дълбоко структурирана остатъчна мрежа енкодер-декодер (DSREDN) се фокусира върху два аспекта: първо, тя ефективно използва остатъчни връзки в цялата мрежа и осигурява широк и дълбок път енкодер-декодер, което води до улавяне на съответния контекст и по-локализирани функции. Второ, изчезналата граница на откритите ядра се разглежда чрез предлагане на ефективна функция на загуба, която по-добре обучава предложения от нас модел и намалява фалшивите прогнози, които са нежелателни, особено в приложенията в здравеопазването. Предложената архитектура експериментира върху три различни публично достъпни H&E оцветени хистопатологични набора от данни, а именно: (I) Бъбрек (RCC) (II) Троен отрицателен рак на гърдата (TNBC) (III) MoNuSeg-2018. Взехме под внимание F1-резултат, агрегиран индекс на Жакард (AJI), общия брой параметри и FLOP (операции с плаваща запетая), които са предимно предпочитани показатели за измерване на ефективността за сравнение на сегментацията на ядрата. Оценената оценка на сегментацията на ядрата показва, че предложената архитектура е постигнала значителна разлика над пет най-съвременни модела на дълбоко обучение върху три различни набора от хистопатологични данни. Резултатите от визуалното сегментиране показват, че предложеният модел DSREDN точно сегментира ядрените региони повече от тези на най-съвременните методи.

Ключови думи

Диагностика и прогноза на рак на бъбреците · Сегментация на ядрата · Остатъчно обучение · Хистопатологични изображения.

Щракнете тук, за да научите ефектите на Cistanche

Въведение

Последните тенденции в изследванията показват, че рамката за дълбоко обучение се представя много добре за сегментиране, откриване и други задачи за компютърно зрение. През последното десетилетие, с напредъка на нови типове изчислителни системи, правилни стратегии за справяне с проблеми с прекомерното оборудване за обучение на много дълбоки мрежи и много промени, които са подходящи за мрежи за дълбоко обучение. Сегментирането на хематоксилин и еозин (H & E) от оцветени хистопатологични изображения е основната предпоставка при изкуствената патология. Препаратите за хистопатологични слайдове са обсъдени от Slaoui M et al. в [27], чрез следните стъпки: (I) Събиране на тъкан (II) Фиксиране (III) Вграждане (IV) Секция (V) Депарафиниране (VI) Оцветяване (VII) Дигитализиране на слайда чрез изображение на целия слайд (WSI) . Има няколко метода за събиране на тъкани, които са аспирация с тънка игла, игла за биопсия, ексцизионна биопсия и др. По-голямата биопсия има повече информация от биопсията с малка игла, тъй като запазва големия клетъчен контекст на хистопатологичните слайдове. Фиксирането на тъканта е необходимо за химическа и физическа стабилизация. Вграждането е необходимо, за да се придаде определена форма на тъканта, така че да може лесно да бъде изрязана от машините. Секцията е необходима, за да се получи цялата триизмерна информация за тъканите под формата на много тънки слайдове и двуизмерна информация. Отстраняването на парафина от разрезната тъкан е важно, без депарафиниране тъканта може да изглежда малко замъглена в някои от частите. Необходимо е оцветяване на предметните стъкла с тъкани, тъй като те не се виждат или са прозрачни при микроскоп в светло поле. Най-широко използваните оцветители за хистопатологични изображения са хематоксилин и еозин. Задачите за сегментиране могат да бъдат категоризирани в традиционни или ръчно изработени техники за извличане на функции и базирани на CNN подходи за дълбоко обучение. Традиционните методи за сегментиране се основават най-вече на подход, базиран на подобие, подход, базиран на прекъсвания, техники на водораздели, методи на активни контури и техните варианти, суперпикселни и базирани на клъстери методи и т.н. Подходът, базиран на подобие, обсъден от Gonzalez RC et al. в [8], се основава на локално прагово определяне, глобално прагово определяне, адаптивно прагово определяне, прагово определяне на Otsu, нарастване на региона, разделяне на региони и сливане, където тези методи се опитват да групират и сегментират подобни пиксели. За хистограми на изображения с плоски вдлъбнатини подходът, базиран на подобие, не работи добре и грешният избор на прагова стойност може да доведе до свръхсегментиране и недостатъчно сегментиране в този случай. Подходът, базиран на прекъсване, се опитва да сегментира тези пиксели, които са изолирани по някакъв начин като точки, линии и ръбове, и това е подход, базиран на обработка на маска. Този метод изисква различни оператори на различни етапи. Cousty J и др. предложи метод за сегментиране на водосбора в [4], базиран на разделяне, сливане и контролиран от маркер водосбор. Откритите граници в метода на водосбора зависят от сложността на клетката. Song T et al. предложи активно сегментиране на контура в [28], където те разглеждат информацията за интензитета и информацията за локалния ръб за откриване на границите на обекта. Методът за сегментиране на суперпиксели, използван от Albayrak A et al. в [1], се основава на клъстер от свързани пиксели с идентични характеристики. Той отчита информацията за цвета и координатите на съседните пиксели. Тази техника предоставя по-добра регионална информация, но не е много ефективна в случай на клетъчна сегментация. Базирано на клъстериране сегментиране, предложено от Win KY et al. в [37], извършва групиране въз основа на тяхното сходство. В скорошна изследователска работа повечето от авторите съобщават, че техниката на сегментиране, базирана на дълбока конволюционна невронна мрежа, се представя много по-добре от конвенционалния подход на сегментиране. Кратък преглед на базирания на CNN подход е представен в раздел 2. Методите за сегментиране на задълбочено обучение също страдат от много предизвикателства. Ако категоризираме тези предизвикателства, те ще бъдат включени в следните аспекти.

1. Поради големите вариации на външния вид на тъканите и разнообразния спектър от класове и подкласове тъкани е трудно да се разпознае.

2. Сегментирането на сложни граници, припокриващи се граници и изчезващи граници не е лесна задача.

3. Подготовката на основната истина в случай на контролирано обучение също е голямо предизвикателство. Необходим е надзор на опитни патолози, тъй като точността на прогнозата зависи от анотираната основна истина.

В случай на сложни хистопатологични изображения, конвенционалните методи страдат или от свръхсегментация, или от недостатъчна сегментация. Предложеният подход се фокусира върху отделянето на припокритите и изчезнали ядрени области от хистопатологичните изображения. За да се справим с предизвикателствата при сегментирането на ядра от хистопатологични изображения, нашият принос в тази статия е както следва.

1. За укрепване на многостепенните междинни функции, предложеният от нас DSREDN модел ефективно използва силата на остатъчното обучение.

2. Чрез емпирични доказателства и внимателно експериментиране и анализ ние предложихме нова функция на загуба. Визуалните резултати и матриците на производителността показват, че нашата функция за загуби обучава по-добре модела и точно сегментира ядрените региони в сравнение с най-съвременните методи.

Cistanche tubulosa

Свързани с тях дейности

По-голямата част от архитектурата на CNN за задачата за клетъчно сегментиране се състои от път на енкодер-декодер за извличане на характеристики. Голяма част от скорошните изследвания използват много потенциални възможности като подобряване на стратегиите за обучение, справяне с проблеми с прекомерното оборудване, по-добри методи за оптимизация и много други стратегии за получаване на по-добра точност на прогнозиране. Въпреки това, много автори съобщават за своя резултат, който е много ефективен, но точен и ефективен алгоритъм за сегментиране все още е отворено изследване поради сложността на хистопатологичните изображения. Един от значителните приноси на Ronneberger et al. в [26], наречен UNet, предоставя много добра насока и драматичен пробив в областта на сегментирането на биомедицински изображения. UNet е симетрична конволюционна мрежа за енкодер-декодер и има голям брой функционални канали, които позволяват извличане на характеристики към по-високия слой в дълбока мрежа. Повтарящо се прилагане на (3 x 3) ядро ​​за навиване, последвано от активиране на ReLU, (2 x 2) максимално обединяване и (2 x 2) вземане на проби с размер на крачка 2 и (1 x 1) навиване, последвано от сигмоидно активиране при последен слой, общо 23 слоя в мрежата. В [36] Veit A et al. осъзнават чрез своя експеримент, че ако мрежата има колекция от пътища, тогава по-къс път е достатъчен по време на обучение или много дълбок път не се изисква по време на обучение. Тези множество пътища не зависят силно един от друг и тяхната плавна съвместна връзка с множество валидни пътища повишава производителността на мрежата. В [22] Milletari F et al. предложи конволюционна мрежа на енкодер-декодер за триизмерни данни чрез използване на загуба на зарове като функция на загуба. Тяхната емпирична оценка постига по-добро представяне на набора от данни за силен дисбаланс. В [24] Nogues I et al. предложи архитектура за откриване на лимфни възли от две напълно вложени контролирани конволюционни мрежи и структурирана условна стратегия за оптимизиране на случайни полета. Влошаването на информацията в по-дълбока мрежа беше разгледано от Kaiming He et al. в [9], чрез въвеждане на дълбока остатъчна мрежа, която е по-лесна за обучение и оптимизиране. Остатъчната връзка се реализира чрез прескачане на един или повече слоеве, за да се възстанови потокът от информация в дълбока мрежа. За сегментиране и откриване на хистологични обекти, Chen H et al. в [5], въведе модел, съобразен с контурите, който извлича многостепенна информация под спомагателен надзор. В [10] Huang G et al. предложи конволюционна мрежа, която укрепва цялостния поток на картата на входните характеристики чрез подаване на входа на предходния слой, както и на оригиналния вход. Техният експеримент също показва, че благодарение на интегрирането на картографирането на идентичността, моделът научава по-компактни характеристики и намалява проблема с изчезващия градиент. В случай на небалансиран набор от данни, прогнозите са склонни към висока точност и ниска запомняемост, което е недопустимо, особено в областта на медицината. Този проблем е разгледан от Salehi SM et al. в [29], който обучи дълбоката мрежа, дори със силно дисбалансиран набор от данни, и се справи ефективно там, където фалшивите отрицателни прогнози са много по-опасни от фалшивите положителни. Поведението на функциите на загуба като претеглена кръстосана ентропия и загуба на зарове с различни скорости на обучение, изследвани от Sudre CH et al. в [30], върху медицински изображения и масиви от домашни данни. Техният експеримент установи, че с нарастването на нивото на дисбаланс припокриването на базираната на мярка загуба функция е по-ефективна. Много ефективна по отношение на паметта и времето за семантично сегментиране на пътни и вътрешни сцени, архитектура на енкодер-декодер, наречена SegNet от Badrinarayanan V et al. в [3]. SegNet генерира разреден декодер на функции, който повишава дискретизацията с прехвърления пул и неговия вход с по-ниска разделителна способност от неговия енкодер. За точно сегментиране на близки до гранични региони Zhou S et al. [38], използва остатъчна мрежа с разширен конволюционен блок. Те използват много йерархични блокове паралелно, за да извлекат смислена семантична информация. За да се справи с проблемите на класовия дисбаланс или да намали фалшиво-отрицателните прогнози в здравеопазването, Hashemi SR в [11] предлага 3D-плътна CNN с асиметрична загуба на сходство, базирана на Tversky индекс, която обучава мрежата с най-ниското повърхностно разстояние. Сложен проблем за сегментиране, свързан с границите, разгледан от Naylor P et al. в [25], чрез формулиране на функция на загуба на базата на вътреядрено разстояние. Техният модел енкодер-декодер превъзхожда FCN, FCN плюс PP, Mask R-CNN, U-Net и U-Net плюс PP, експериментирани с набори от данни TNBC и MoNuSeg. Смислени разширения в стандартния енкодер-декодер чрез включване на допълнителен модул, наречен Attention Gate от Schlemper J et al. в [31] и вниманието, както и остатъчния механизъм от Lal S et al. в [20], където мрежата е обучена по такъв начин, че да потиска неподходящите характеристики, като същевременно подчертава значимата характеристика. За сегментиране на пътна сцена Malekijoo A et al. в [23] използва модела, базиран на автоенкодер, при който се прилагат конволюция, деконволюция и пирамидално обединяване за подсилване на локалната характеристика. За сегментирането на микроскопични, MR и CT изображения е използвана архитектура на енкодер-декодер от Zhou S et al. в [39], свързани смислени връзки, за да локализират точно сложните граници. За сегментирането на ядра в патологични изображения, Lal S et al. модел [21], се състои от адаптивна цветова деконволюция, многомащабно прагово определяне, последвано от морфологични операции и други стъпки за последваща обработка. За сегментирането на медицински изображения, нова функция за загуба от Karimi D et al. в [16], изчислено разстоянието на Хаусдорф, използвайки метода на морфологичната операция, метода на трансформация на разстоянието и кръгово извити ядра с различни радиуси. Използвайки методи за намаляване на разстоянието на Хаусдорф, те обучават CNN за различни микроскопски изображения и сравняват резултатите си с често използвана функция на загуба. Hanif MS и др. в [12] предлага конкурентна остатъчна мрежа чрез подреждане на множество остатъчни единици, наречена широка мрежа. Тяхното проучване заключава, че производителността на такава широка мрежа е по-добра от дълбоката и тънка мрежа. Chanchal AK и др. и Aatresh AA et al. в [2, 6] използва обединяване на пирамиди с разделима конволюция и обединяване на пирамиди по размери за задачи за сегментиране на ядра.

Цистанче капсули

Предложена архитектура

За сегментиране на микроскопски изображения архитектурата на енкодер-декодер е най-подходяща, защото ако енкодерът има редовни слоеве на навиване и слоеве с максимално обединяване, тогава той улавя контекста в изображението много ефективно. Пътят на декодера представя изхода чрез постепенно прилагане на семплиране нагоре, събиране на подходящи функции от енкодера и позволяване на прецизна локализация. Всеки от филтрите в страната на енкодера на DSREDN мрежата, показан на фиг. 1, приема вход с гъвкав размер. ние сме приложили обикновена (3 x 3) 2D стандартна конволюция, партидна нормализация и максимално обединяване. За да избегнем проблеми с насищането и загуба на информация, докато навлизаме по-дълбоко в мрежата, ние възстановихме информацията от по-ниско ниво, като създадохме допълнителен път, успореден на основния път на мрежата. Тези два пътя не са силно свързани един с друг и това избягва проблемите с изчезващия градиент. За всеки от размерите на филтъра, цялата страна на енкодера на мрежата DSREDN се състои от три слоя на навиване успоредно с един извит път, който се фокусира върху по-контекстуалната характеристика в мрежата. Тъй като ефективността на пътя на декодера за генериране на крайния изход зависи от колекцията от контекстуални характеристики от страната на енкодера, имаме малко по-различен път от страната на декодера за оптимална обработка на събраната характеристика. Чрез тази процедура нашата DSREDN мрежа става широка и дълбока вместо тънка и дълбока. DSREDN мрежа, обучена с RGB изображения с размер (512 x 512 x 3). Пет етапа на пътя на енкодера с пет различни размера на филтъра и съответния път на декодера се състоят от (a) 2D конволюция на размера на ядрото (3 x 3) с ReLU активиране (b) Слой с висока разделителна способност (c) (2 x 2) макс. -обединяващ слой в пътя на енкодера за намаляване на пространствения размер на изображението и съответния (2 x 2) слой за вземане на проби от страната на декодера за събиране на контекстуална характеристика от страната на енкодера чрез операция на конкатенация (d) На последния етап a (1 x 1 ) конволюцията се използва за картографиране на размера (512 x 512 x 16) до (512 x 512 x 1) със сигмоидно активиране.

Заключение

Тази статия предлага базирана на CNN архитектура, наречена дълбоко структурирана остатъчна енкодер-декодерна мрежа (DSREDN), която адресира две основни проблеми при автоматичното сегментиране на ядрата. Първата основна грижа беше да се идентифицират ядра от хистопатологични изображения, имащи широко разнообразен спектър с голям брой артефакти. Този проблем беше адресиран чрез въвеждане на мощен енкодер-декодер, имащ два пътя, които имат по-различителна способност и успяха да извлекат подходяща и компактна текстурна информация. Внедрените мрежи ефективно използват силата на остатъчното обучение, както и архитектурата на енкодер-декодер чрез включване на широки и дълбоки мрежови пътища, които укрепват междинните функции. Ние предложихме ефективна функция на загуба чрез внимателно експериментиране и анализ за сегментиране на ядрата със сложни или изчезващи граници, които бяха вторият основен проблем в задачата за сегментиране. Използвахме най-предпочитаните матрици за ефективност F1-резултат и AJI резултат чрез извършване на експерименти върху три различни публично достъпни набора от хистопатологични данни, оцветени с H&E. Получените показатели за качество и прогнозираните ядрени региони на предложената рамка бяха по-добри в сравнение с тези на най-съвременните модели.

Cistanche хапчета

Въпреки че предложеният модел даде отлични резултати, пространството на функциите може да бъде обогатено допълнително чрез включване на модул за извличане на функции с висока производителност. Също така, предложеният метод може да бъде обобщен, за да работи върху повече модалности на изображението. Това изследване е двоично сегментиране на хистопатологични изображения, тук можем да сегментираме само ядрените региони. В бъдеще можем да класифицираме тези ядрени региони в техните подтипове. Няколко иновативни приложения на различни модалности на изображението са докладвани от Shoeibi A et al. в [32, 33], в които са разработени генериращи състезателни мрежи (GAN), повтарящи се невронни мрежи (RNN), автоенкодери (AE), конволюционни невронни мрежи (CNN), дълбоки невронни мрежи (DNN) и други хибридни мрежи за автоматизирано откриване на COVID-19 и множествена склероза. В [18, 34], Khodatars M et al. и Sadeghi D et al. илюстрира приложимостта на дълбокото обучение за диагностика на разстройство от аутистичния спектър и откриване на шизофрения. Тези примери подчертават как областта на системите за компютърно подпомагана диагностика се променя бързо и че все още може да има множество приложения, върху които все още не е фокусирано внимание.

Как Cistanchis подобрява бъбречната функция

Cistanche е лечебна билка, която отдавна се използва в традиционната китайска медицина за подобряване на бъбречната функция. Смята се, че има различни ползи поради активните си компоненти, като фенилетаноидни гликозиди и иридоиди.

Проучванията показват, че Cistanche може да стимулира бъбречната функция чрез подобряване на бъбречния кръвен поток, намаляване на оксидативния стрес и повишаване на производството на растежни фактори, които поддържат здравето на бъбреците. Освен това може да помогне за регулиране на кръвното налягане и намаляване на възпалението, които са важни фактори за здравето на бъбреците.

Освен това, Cistanche е показал потенциал за защита срещу увреждане на бъбреците, причинено от определени лекарства или токсини. Може да има защитен ефект върху бъбреците чрез инхибиране на възпалителните реакции и намаляване на клетъчната смърт.

Въпреки това е важно да се отбележи, че са необходими допълнителни изследвания, за да се разберат напълно механизмите и ефективността на Cistanche за подобряване на бъбречната функция. Както при всеки билков лек, препоръчително е да се консултирате с квалифициран медицински специалист, преди да го използвате за медицински цели.

Препратки

1. Albayrak A, Bilgin G (2019) Автоматично клетъчно сегментиране в хистопатологични изображения чрез двустепенни алгоритми, базирани на суперпиксел. Med Biol Eng Comput 57(3):653–665

2. Aatresh AA, Yatgiri RP, Chanchal AK, Kumar A, Ravi A, Das D, Raghavendra BS, Lal S, Kini J (2021) Ефективна архитектура за дълбоко обучение с обединяване на пирамиди по размери за сегментиране на ядра на хистопатологични изображения. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: Дълбока конволюционна енкодер-декодерна архитектура за сегментиране на изображение. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Вододелни сечения: Разреждания, гори с най-кратък път и топологични водосбори. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: мрежи с дълбоки контури за точно сегментиране на жлезите. Компютърно зрение и разпознаване на образи. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Ефективна и стабилна архитектура за дълбоко обучение за сегментиране на хистопатологични изображения на бъбреци и гърди. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) ASPPU-Net с дълбок трансфер с висока разделителна способност за сегментиране на ядра на хистопатологични изображения. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Цифрова обработка на изображения, 3-то издание. Prentice Hall, Ню Йорк, САЩ. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Задълбочено остатъчно обучение за разпознаване на изображения. 2016 IEEE Конференция за компютърно зрение и разпознаване на образи (CVPR), Лас Вегас, Невада. стр. 770–778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Плътно свързани конволюционни мрежи. Конференция на IEEE за компютърно зрение и разпознаване на образи (CVPR), Хонолулу. стр. 2261–2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Функции на асиметрични загуби и дълбоки гъсто свързани мрежи за силно небалансирано сегментиране на медицинско изображение: приложение за откриване на лезии при множествена склероза. В: IEEE Access, том 7, стр. 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Конкурентна остатъчна невронна мрежа за класификация на изображения. ICT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Пакетна нормализация: ускоряване на задълбочено мрежово обучение чрез намаляване на вътрешното ковариатно изместване. Машинно обучение. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Краудсорсинг анотация на изображение за откриване и сегментиране на ядра в изчислителна патология: оценяване на експерти, автоматизирани методи и тълпата. В: Тихоокеански симпозиум по биокомпютри (PSB), стр. 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) Проучване на функциите за загуба за семантично сегментиране. [На линия]. Наличен: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Намаляване на разстоянието на Хаусдорф при сегментиране на медицинско изображение с конволюционни невронни мрежи. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Набор от данни и техника за генерализирано ядрено сегментиране за изчислителна патология. IEEE Trans Med Imaging 36(7):1550–1560

18. Khodatars M, Shoeibi A, Sadeghi D, Ghaasem N, Jafari M, Meridian P, Khadem A, Alizadehsani R, Zare A, Kong Y, Khosravi A, Nahavandi S, Hussain S, Acharya UR, Berk M (2021) Deep обучение за базирана на невроизображение диагностика и рехабилитация на разстройство от аутистичния спектър: преглед. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Адам: Метод за стохастична оптимизация. В: Международна конференция за представяне на обучение, том 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: Стабилна архитектура за дълбоко обучение за сегментиране на ядрата на хистопатологични изображения на рак на черния дроб. Comput Biol Med 128:104075

21. Lal S, Kanfade A, Alabhya K, Dsouza R, Kumar A, Chanchal AK, Maneesh M, Peryail G, Kini J (2020) Стабилен метод за сегментиране на ядра на H&E оцветени хистопатологични изображения. 7-ма международна конференция на IEEE за обработка на сигнали и интегрирани мрежи (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: напълно конволюционни невронни мрежи за обемно медицинско сегментиране на изображения, четвърта международна конференция за 3D визия (3DV). Станфорд, Калифорния. стр. 565–571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Архитектура на конволюция-деконволюция с модул за обединяване на пирамиди за семантично сегментиране. Multimed Tools Appl 78: 32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Автоматично сегментиране на клъстери на лимфни възли с помощта на холистично вложени невронни мрежи и структурирана оптимизация в CT изображения. В: Изчисляване на медицински изображения и компютърно подпомагана интервенция – MICCAI 2016. Бележки за лекции по компютърни науки, том 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845

25. Naylor P, Lae M, Reyal F, Walter T (2019) Сегментиране на ядра в хистопатологични изображения чрез дълбока регресия на картата на разстоянието. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Конволюционни мрежи за сегментиране на биомедицински изображения. В: Proc. МИККАИ. Springer, Мюнхен, Германия, стр. 234–241

27. Slaoui M, Fiette L (2011) Хистопатологични процедури: от вземане на тъканни проби до хистопатологична оценка. Методи Mol Biol (Методи Protoc) 691:69–82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Двуканален активен контурен модел за мегакариоцитна клетъчна сегментация в хистологични изображения на трефин на костен мозък. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Функция за загуба на Tversky за сегментиране на изображение с помощта на 3D напълно конволюционни дълбоки мрежи. В: Proc, Int Workshop Mach Learn Med Image. Springer, Cham, Швейцария, стр. 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Общо припокриване на зарове като дълбока функция за загуба на обучение за силно небалансирани сегментации. В: Задълбочено обучение в анализа на медицински изображения и мултимодално обучение за подкрепа на клинични решения. Спрингър, стр. 240–248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Attention gated networks: Learning to leverage salient regions in medical images. Med Image Anal 53 (ISSN 1361- 8415):197–207

32. Shoeibi A, Khodatars M, Alizadehsani R, Ghassemi N, Jafari M, Meridian P, Khadem A, Sadeghi D, Hussain S, Zare A, Sani ZA, Bazeli J, Khozeimeh F, Khosravi A, Nahavandi S, Acharya UR, Shi P (2020) Автоматизирано откриване и прогнозиране на covid-19 с помощта на техники за дълбоко обучение: преглед. Машинно обучение. arXiv:2007.10785 [cs.LG]

33. Shoeibi A, Khodatars M, Jafari M, Meridian P, Rezaei M, Alizadehsani R, Khozeimeh F, Gorriz JM, Heras J, Panahiazar M (2021) Приложения на техники за дълбоко обучение за автоматизирано откриване на множествена склероза с помощта на магнитен резонанс: A преглед, обработка на изображения и видео. arXiv: 2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Преглед на техниките за изкуствен интелект за диагностициране на шизофрения въз основа на модалностите на магнитно резонансно изображение: методи , предизвикателства и бъдещи работи. Машинно обучение. arXiv: 2103.03081

35. Sugino T, Kawase T et al (2021) Коефициенти на загуба за подобряване на сегментирането на небалансирана мозъчна структура с помощта на напълно конволюционни мрежи, здравеопазване. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Остатъчните мрежи се държат като ансамбли от относително плитки мрежи. Neural Inf Process Syst стр. 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K средно базирано на групиране автоматизирано сегментиране на припокриващи се клетъчни ядра в цитологични изображения на плеврален излив. Международна конференция за модерни технологии за комуникации (ATC). стр. 265–269. https://doi.org/10.1109/ATC.2017.8167630

38. Zhou S, Nie D, Adeli E, Gao Y, Wang L, Yin J, Shen D (2018) Фино-зърнесто сегментиране с помощта на йерархични разширени невронни мрежи. В: Изчисляване на медицински изображения и компютърно подпомагана интервенция, том 11073. Springer, Cham, стр 488-496

39. Zhou S, Nie D, Adeli E, Yin J, Lian J, Shen D (2020). В: IEEE Transactions on Image Processing, том 29, стр. 461–475. https://doi.org/10.1109/TIP.2019.2919937

Амит Кумар Чанчал 1 · Шям Лал 1 · Джйоти Кини 2

1 Отдел по електроника и комуникационно инженерство, Национален технологичен институт Карнатака, Сураткал, Мангалуру-575025, Карнатака, Индия

2 Катедра по патология, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, Индия