Hluboce strukturovaná síť reziduálního kodéru a dekodéru s novou funkcí ztráty pro segmentaci jader histopatologických snímků ledvin a prsu
Jul 11, 2023
Abstraktní
Pro zlepšení procesu diagnostiky a léčby nádorových onemocnění je prvním krokem v digitální patologii automatická segmentace hematoxylinem a eosinem (H & E) barvených buněčných jader z histopatologických snímků. Navrhovaná hluboce strukturovaná zbytková kodér-dekodérová síť (DSREDN) se zaměřuje na dva aspekty: za prvé efektivně využívá zbytková spojení v celé síti a poskytuje širokou a hlubokou cestu kodér-dekodér, což vede k zachycení relevantního kontextu a více lokalizovaných funkcí. Za druhé, zmizelá hranice detekovaných jader je řešena navržením účinné ztrátové funkce, která lépe trénuje náš navrhovaný model a snižuje falešnou předpověď, která je nežádoucí, zejména ve zdravotnických aplikacích. Navržená architektura experimentovala na třech různých veřejně dostupných souborech histopatologických dat obarvených H&E, jmenovitě: (I) Ledviny (RCC) (II) Triple Negative Breast Cancer (TNBC) (III) MoNuSeg-2018. Zvažovali jsme F1-skóre, Aggregated Jaccard Index (AJI), celkový počet parametrů a FLOP (operace s pohyblivou řádovou čárkou), což jsou většinou preferované metriky měření výkonu pro srovnání segmentace jader. Vyhodnocené skóre segmentace jader naznačilo, že navrhovaná architektura dosáhla značného rozpětí oproti pěti nejmodernějším modelům hlubokého učení na třech různých souborech histopatologických dat. Výsledky vizuální segmentace ukazují, že navrhovaný model DSREDN přesně segmentuje jaderné oblasti více než oblasti podle nejmodernějších metod.
Klíčová slova
Diagnóza a prognóza rakoviny ledvin · Segmentace jader · Reziduální učení · Histopatologické snímky.
Kliknutím sem poznáte účinky Cistanche
Úvod
Nedávné trendy výzkumu ukazují, že rámec hlubokého učení fungoval velmi dobře pro segmentaci, detekci a další úkoly počítačového vidění. V posledním desetiletí, s rozvojem nových typů výpočetních systémů, správnými strategiemi pro zvládnutí nadměrných problémů pro trénování velmi hlubokých sítí a mnoha změn, které jsou vhodné pro sítě hlubokého učení. Primárním předpokladem umělé patologie je segmentace hematoxylinu a eosinu (H & E) z obarvených histopatologických snímků. Histopatologické preparáty jsou diskutovány Slaoui M et al. v [27], následujícími kroky: (I) Odběr tkáně (II) Fixace (III) Zalití (IV) Řezání (V) Odparafinování (VI) Barvení (VII) Digitalizace sklíčka zobrazením celého sklíčka (WSI) . Existuje několik metod odběru tkáně, kterými jsou aspirace tenkou jehlou, bioptická jehla, excizní biopsie atd. Větší biopsie má více informací než biopsie malou jehlou, protože zachovává velký buněčný kontext histopatologických preparátů. Fixace tkáně je nutná pro chemickou a fyzikální stabilizaci. Zalévání je vyžadováno, aby tkáň získala určitý tvar, aby ji mohly stroje snadno řezat. Pro získání všech trojrozměrných informací o tkáni ve formě mnoha tenkých sklíček a dvourozměrných informací je vyžadováno řezání. Odstranění parafínu z nařezané tkáně je důležité, bez odstranění parafínu může tkáň vypadat v některých částech trochu rozmazaně. Barvení tkáňových sklíček je nutné, protože pod mikroskopem ve světlém poli nejsou viditelné nebo průhledné. Nejpoužívanější barviva pro histopatologické snímky jsou hematoxylin a eosin. Úkoly segmentace lze rozdělit do tradičních nebo ručně vyrobených technik extrakce prvků a přístupů hlubokého učení založeného na CNN. Tradiční metody segmentace jsou většinou založeny na přístupu založeném na podobnosti, na diskontinuitě, technikách povodí, metodách aktivních vrstevnic a jejich variantách, metodách založených na superpixelu a shlukování atd. Přístup založený na podobnosti diskutovaný Gonzalezem RC et al. v [8], je založen na lokálním prahování, globálním prahování, adaptivním prahování, Otsuově prahování, růstu regionů, rozdělení regionů a slučování, kde se tyto metody snaží seskupit a segmentovat podobné pixely. U obrazových histogramů s plochými prohlubněmi nefunguje přístup založený na podobnosti dobře a nesprávný výběr prahové hodnoty může v tomto případě vést k nadsegmentaci a podsegmentaci. Přístup založený na diskontinuitě se snaží segmentovat ty pixely, které jsou nějakým způsobem izolované, jako jsou body, linie a hrany, a je to přístup založený na zpracování masek. Tato metoda vyžaduje různé operátory v různých fázích. Cousty J a kol. navrhl v [4] metodu segmentace povodí, založenou na rozdělení, sloučení a povodí řízeném značkami. Zjištěné hranice v metodě povodí závisí na složitosti buňky. Song T a spol. navrhli aktivní segmentaci obrysu v [28], kde berou v úvahu informace o intenzitě a informace o místních hranách pro detekci hranic objektů. Metoda segmentace superpixelů použitá Albayrakem A et al. v [1] je založen na shluku spojených pixelů, které mají identické vlastnosti. Bere v úvahu barvu a informace o souřadnicích sousedních pixelů. Tato technika poskytuje lepší regionální informace, ale není příliš účinná v případě segmentace buněk. Segmentace založená na shlukování navržená Win KY et al. v [37] provádí seskupení na základě jejich podobnosti. V nedávné výzkumné práci většina autorů uvedla, že technika segmentace založená na hluboké konvoluční neuronové síti funguje mnohem lépe než konvenční segmentační přístup. Stručný přehled přístupu založeného na CNN je uveden v části 2. Metody segmentace hlubokého učení také trpí mnoha problémy. Pokud tyto výzvy kategorizujeme, budou spadat pod následující aspekty.
1. Vzhledem k velkým variacím vzhledu tkáně a pestrému spektru třídy a podtřídy tkání je obtížné ji rozpoznat.
2. Segmentace složitých hranic, překrývajících se hranic a mizejících hranic není snadný úkol.
3. Velkou výzvou je také příprava základní pravdy v případě učení pod dohledem. Dohled zkušených patologů je nezbytný, protože přesnost předpovědi závisí na anotované základní pravdě.
V případě komplexních histopatologických obrazů trpí konvenční metody buď nadsegmentací, nebo podsegmentací. Navrhovaný přístup se zaměřuje na oddělení překrývajících se a zmizelých jaderných oblastí od histopatologických snímků. K řešení problémů v segmentaci jader z histopatologických snímků jsou naše příspěvky v tomto článku následující.
1. K posílení víceúrovňových středně pokročilých funkcí náš navrhovaný model DSREDN efektivně využíval sílu zbytkového učení.
2. Prostřednictvím empirických důkazů a pečlivého experimentování a analýzy jsme navrhli novou ztrátovou funkci. Vizuální výsledky a výkonnostní matice ukazují, že naše ztrátová funkce lépe trénuje model a přesně segmentuje jaderné oblasti ve srovnání s nejmodernějšími metodami.
Cistanche tubulosa
Související práce
Většina architektury CNN pro úlohu segmentace buněk sestává z cesty kodér-dekodér pro extrakci příznaků. Většina nedávných výzkumů využívá mnoho potenciálních příležitostí, jako je zlepšení tréninkových strategií, řešení problémů s přebytečným vybavením, lepší optimalizační metody a mnoho dalších strategií k dosažení lepší přesnosti předpovědí. Mnoho autorů však uvedlo svůj výsledek, který je velmi účinný, ale přesný a účinný segmentační algoritmus je stále otevřeným výzkumem kvůli složitosti histopatologických snímků. Jedním z významných příspěvků Ronnebergera et al. v [26], nazvaný UNet, poskytuje velmi dobrý směr a dramatický průlom v oblasti segmentace biomedicínského obrazu. UNet je symetrická konvoluční síť kodér-dekodér a má velký počet kanálů funkcí, které umožňují extrahovat funkce do vyšší vrstvy v hluboké síti. Opakovaná aplikace (3 x 3) konvolučního jádra s následnou aktivací ReLU, (2 x 2) max-pooling a (2 x 2) up-sampling s velikostí kroku 2 a (1 x 1) konvoluce následovaná aktivací sigmoidea v finální vrstva, celkem 23 vrstev v síti. V [36] Veit A et al. si během svého experimentu uvědomili, že pokud má síť sbírku cest, pak během tréninku stačí kratší cesta, nebo není při tréninku potřeba velmi hluboká cesta. Tyto vícenásobné cesty na sobě silně nezávisí a jejich plynulá korelace s více platnými cestami zvyšuje výkon sítě. V [22], Milletari F et al. navrhl konvoluční síť kodér-dekodér pro trojrozměrná data s využitím ztráty kostek jako ztrátové funkce. Jejich empirické hodnocení dosahuje lepšího výkonu na datovém souboru silné nerovnováhy. V [24] Nogues I a kol. navrhl architekturu pro detekci lymfatických uzlin dvěma plně vnořenými supervidovanými konvolučními sítěmi a strukturovanou podmíněnou strategii optimalizace náhodného pole. Degradací informací v hlubší síti se zabývali Kaiming He et al. v [9], zavedením hluboké zbytkové sítě, která se snadněji trénuje a optimalizuje. Zbytkové spojení je realizováno přeskočením jedné nebo více vrstev, aby se obnovil tok informací v hluboké síti. Pro segmentaci a detekci histologických objektů Chen H et al. v [5] zavedl model s vědomím kontur, který extrahuje víceúrovňové informace pod pomocným dohledem. V [10] Huang G et al. navrhl konvoluční síť, která posiluje celkový tok vstupní mapy vlastností tím, že dodává vstup z předchozí vrstvy i původní vstup. Jejich experiment také naznačuje, že díky integraci mapování identity se model učí kompaktnějším prvkům a snižuje problém mizejícího gradientu. V případě nevyváženého souboru dat jsou předpovědi zkreslené směrem k vysoké přesnosti a nízké paměti, což není tolerovatelné, zejména v lékařské oblasti. Tento problém řeší Salehi SM et al. v [29], který trénoval hlubokou síť, a to i s vysoce nevyváženou datovou sadou, a efektivně se vypořádal tam, kde je falešně negativní předpověď mnohem nebezpečnější než falešně pozitivní. Chování ztrátových funkcí, jako je vážená zkřížená entropie a ztráta kostek s různou rychlostí učení zkoumané Sudre CH et al. v [30] o lékařských snímcích a souborech domácích dat. Jejich experiment zjistil, že když se úroveň nerovnováhy zvyšuje, je funkce ztráty založená na měření účinnější. Velmi efektivní z hlediska paměti a času pro sémantickou segmentaci silničních a vnitřních scén, architektura kodéru a dekodéru nazvaná SegNet od Badrinarayanana V et al. v [3]. SegNet generuje dekodér pro řídké funkce, který převzorkuje s přeneseným fondem a jeho vstupem s nižším rozlišením z jeho kodéru. Pro přesnou segmentaci blízkých hraničních oblastí Zhou S et al. [38], použil zbytkovou síť s dilatovaným konvolučním blokem. Využívají mnoho hierarchických bloků paralelně k získávání smysluplných sémantických informací. Pro zvládnutí problémů s nerovnováhou tříd nebo snížení falešně negativních předpovědí ve zdravotnictví Hashemi SR v [11] navrhuje 3D hustou CNN s asymetrickou ztrátou podobnosti založenou na indexu Tversky, která trénuje síť s nejnižší povrchovou vzdáleností. Komplexní problém segmentace související s hranicemi, který řeší Naylor P et al. v [25] formulováním ztrátové funkce založené na vnitrojaderné vzdálenosti. Jejich model kodéru a dekodéru překonává FCN, FCN plus PP, Mask R-CNN, U-Net a U-Net plus PP experimentovaly s datovými sadami TNBC a MoNuSeg. Smysluplné rozšíření standardního kodéru-dekodéru začleněním přídavného modulu nazvaného bránou pozornosti od Schlemper J et al. v [31] a pozornost, stejně jako zbytkový mechanismus Lal S et al. v [20], kde je síť trénována tak, že potlačuje irelevantní rysy a zároveň zdůrazňuje smysluplný rys. Pro segmentaci silniční scény Malekijoo A et al. v [23] využil model založený na autoencoderu, kde se pro posílení lokálního prvku použila konvoluce, dekonvoluce a pyramidové sdružování. Pro segmentaci mikroskopických, MR a CT snímků byla použita architektura kodér-dekodér od Zhou S et al. v [39] propojil smysluplná spojení, aby přesně lokalizoval složité hranice. Pro segmentaci jader v obrazech patologie Lal S et al. model [21], sestává z adaptivní dekonvoluce barev, víceškálového prahování následovaného morfologickými operacemi a dalšími kroky následného zpracování. Pro segmentaci lékařských obrazů byla použita nová funkce ztráty od Karimi D et al. v [16] odhadli Hausdorffovu vzdálenost pomocí metody morfologické operace, metody transformace vzdálenosti a kruhově svinutých jader různých poloměrů. Pomocí metod redukce Hausdorffovy vzdálenosti trénují CNN pro různé mikroskopické snímky a porovnávají své výsledky s běžně používanou ztrátovou funkcí. Hanif MS a kol. v [12] navrhl konkurenční zbytkovou síť naskládáním více zbytkových jednotek nazývaných široká síť. Jejich studie dospěla k závěru, že výkon takto široké sítě je lepší než u hluboké a tenké sítě. Chanchal AK a kol. a Aatresh AA a kol. v [2, 6] použili separovatelné konvoluční pyramidové sdružování a dimenzionální pyramidové sdružování pro úlohy segmentace jader.
Kapsle Cistanche
Navrhovaná architektura
Pro segmentaci mikroskopických obrazů je nejvhodnější architektura kodér-dekodér, protože pokud má kodér pravidelné konvoluční vrstvy a max-sdružovací vrstvy, pak velmi efektivně zachycuje kontext v obraze. Cesta dekodéru prezentuje výstup postupným aplikováním up-samplingu, shromažďováním relevantních funkcí z kodéru a umožněním přesné lokalizace. Každý z filtrů na straně kodéru sítě DSREDN znázorněné na obr. 1 přijímá vstup flexibilní velikosti. použili jsme pravidelnou (3 x 3) 2D standardní konvoluci, dávkovou normalizaci a max-sdružování. Abychom se vyhnuli problémům se saturací a ztrátou informací při pronikání hlouběji do sítě, obnovili jsme informace nižší vrstvy vytvořením další cesty paralelní k hlavní cestě sítě. Tyto dvě cesty spolu silně nekorelují a předchází se problémům s mizejícím gradientem. Pro každou z velikostí filtru se celá strana kodéru sítě DSREDN skládá ze tří vrstev konvoluce paralelně s jednou spletitou cestou, která se zaměřuje na tok více kontextové funkce v síti. Protože účinnost cesty dekodéru pro generování konečného výstupu závisí na sbírce kontextových prvků ze strany kodéru, máme na straně dekodéru mírně odlišnou cestu pro optimální zpracování shromážděného prvku. Tímto postupem se naše síť DSREDN stává širokou a hlubokou namísto tenké a hluboké. Síť DSREDN trénovaná s obrázky RGB o velikosti (512 x 512 x 3). Pět stupňů dráhy kodéru s pěti různými velikostmi filtrů a odpovídající dráha dekodéru se skládá z (a) 2D konvoluce velikosti jádra (3 x 3) s aktivací ReLU (b) Vrstva s vysokým rozlišením (c) (2 x 2) max. -sdružovací vrstva v dráze kodéru pro zmenšení prostorové velikosti obrazu a odpovídající (2 x 2) up-sampling vrstva na straně dekodéru pro shromažďování kontextového prvku ze strany kodéru operací zřetězení (d) V konečné fázi a (1 x 1 ) konvoluce se používá k mapování velikosti (512 x 512 x 16) na (512 x 512 x 1) s aktivací sigmatu.
Závěr
Tento článek navrhl architekturu založenou na CNN nazývanou hluboce strukturovaná zbytková kodér-dekodérová síť (DSREDN), která se zabývala dvěma hlavními problémy v automatické segmentaci jader. Prvním hlavním zájmem bylo identifikovat jádra z histopatologických snímků, které mají velmi pestré spektrum s velkým počtem artefaktů. Tento problém byl vyřešen zavedením výkonného kodéru-dekodéru se dvěma cestami, které mají větší rozlišovací schopnost a byly schopny získat relevantní a kompaktní texturní informace. Implementované sítě efektivně využívají sílu zbytkového učení a také architekturu kodér-dekodér začleněním širokých a hlubokých síťových cest, které posilují přechodné funkce. Navrhli jsme účinnou ztrátovou funkci prostřednictvím pečlivého experimentování a analýzy pro segmentaci jader se složitými nebo mizejícími hranicemi, což byl druhý hlavní problém v úkolu segmentace. Použili jsme nejpreferovanější výkonnostní matice F1-score a AJI skóre provedením experimentů na třech různých veřejně dostupných souborech histopatologických dat obarvených H&E. Získané metriky kvality a předpokládané jaderné oblasti navrhovaného rámce byly lepší ve srovnání s těmi nejmodernějšími modely.
Cistanche pilulky
Přestože navrhovaný model přinesl vynikající výsledky, prostor funkcí může být dále obohacen začleněním vysoce výkonného modulu pro extrakci funkcí. Navrhovanou metodu lze také zobecnit pro práci na více obrazových modalitách. Tato studie je binární segmentací histopatologických snímků, zde můžeme segmentovat pouze jaderné oblasti. V budoucnu můžeme tyto jaderné oblasti klasifikovat do jejich podtypů. Shoeibi A et al. uvedl několik inovativních aplikací různých obrazových modalit. v [32, 33], ve kterých byly vyvinuty generativní adversariální sítě (GAN), rekurentní neuronové sítě (RNN), autokodéry (AE), konvoluční neuronové sítě (CNN), hluboké neuronové sítě (DNN) a další hybridní sítě pro automatická detekce COVID-19 a roztroušené sklerózy. V [18, 34], Khodatars M et al. a Sadeghi D a kol. ilustroval použitelnost hlubokého učení pro diagnostiku poruch autistického spektra a detekci onemocnění schizofrenií. Tyto příklady zdůrazňují, jak se oblast počítačově podporovaných diagnostických systémů rychle mění a že stále může existovat řada aplikací, na které jsme se dosud nezaměřili.
Jak Cistanchis zlepšuje funkci ledvin
Cistanche je léčivá bylina, která se již dlouho používá v tradiční čínské medicíně ke zlepšení funkce ledvin. Má se za to, že má různé výhody díky svým aktivním složkám, jako jsou fenylethanoidní glykosidy a iridoidy.
Studie naznačují, že Cistanche může podporovat funkci ledvin zlepšením průtoku krve ledvinami, snížením oxidačního stresu a zvýšením produkce růstových faktorů, které podporují zdraví ledvin. Kromě toho může pomoci regulovat krevní tlak a snížit zánět, což jsou důležité faktory pro zdraví ledvin.
Navíc Cistanche prokázal potenciál při ochraně před poškozením ledvin způsobeným některými léky nebo toxiny. Může mít ochranný účinek na ledviny inhibicí zánětlivých reakcí a snížením buněčné smrti.
Je však důležité poznamenat, že k úplnému pochopení mechanismů a účinnosti přípravku Cistanche při zlepšování funkce ledvin je zapotřebí dalšího výzkumu. Stejně jako u jiných bylinných přípravků je vhodné konzultovat jejich použití pro léčebné účely s kvalifikovaným zdravotnickým pracovníkem.
Reference
1. Albayrak A, Bilgin G (2019) Automatická buněčná segmentace v histopatologických snímcích pomocí dvoustupňových algoritmů na bázi superpixelů. Med Biol Eng Compput 57(3):653–665
2. Aatresh AA, Yatgiri RP, Chanchal AK, Kumar A, Ravi A, Das D, Raghavendra BS, Lal S, Kini J (2021) Efektivní architektura hlubokého učení s dimenzionálním sdružováním pyramid pro segmentaci jader histopatologických snímků. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975
3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: Architektura hlubokého konvolučního kodéru a dekodéru pro segmentaci obrazu. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495
4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Řezy povodí: Ztenčení, lesy s nejkratšími cestami a topologická povodí. IEEE Trans Pattern Anal Mach Intell 32(5):925–939
5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: sítě s hlubokými obrysy pro přesnou segmentaci žlázy. Počítačové vidění a rozpoznávání vzorů. arXiv:1604.02677v1 [cs.CV]
6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Efektivní a robustní architektura hlubokého učení pro segmentaci histopatologických obrazů ledvin a prsu. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177
7. Chanchal AK, Lal S, Kini J (2021) Hluboce přenesená ASPPU-Net s vysokým rozlišením pro segmentaci jader histopatologických obrazů. Int J Computing Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9
8. Gonzalez RC, Woods RE (2006) Digitální zpracování obrazu, 3. vydání. Prentice Hall, New York, USA. ISBN-013168728X
9. He K, Zhang X, Ren S, Sun J (2016) Hluboké zbytkové učení pro rozpoznávání obrazu. 2016 IEEE konference o počítačovém vidění a rozpoznávání vzorů (CVPR), Las Vegas, NV. str. 770–778. https://doi.org/10.1109/CVPR.2016.90
10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Hustě propojené konvoluční sítě. IEEE konference o počítačovém vidění a rozpoznávání vzorů (CVPR), Honolulu. s. 2261–2269. https://doi.org/10.1109/CVPR.2017.243
11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Asymetrické ztrátové funkce a hluboké hustě propojené sítě pro vysoce nevyváženou segmentaci lékařského obrazu: aplikace pro detekci lézí roztroušené sklerózy. In: IEEE Access, sv. 7, str. 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371
12. Hanif MS, Bilal M (2020) Konkurenční reziduální neuronová síť pro klasifikaci obrazu. ICT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001
13. Ioffe S, Szegedy C (2015) Dávková normalizace: urychlení tréninku hluboké sítě snížením vnitřního posunu kovariát. Strojové učení. arXiv:1502.03167
14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Crowdsourcingová anotace obrazu pro detekci a segmentaci jádra ve výpočetní patologii: hodnotící experti, automatizované metody a dav. In: Pacific Symposium on biocomputing (PSB), s. 294–305. https://doi.org/10.13140/2.1.4067.0721
15. Jadon S (2020) Průzkum ztrátových funkcí pro sémantickou segmentaci. [Online]. Dostupné: arXiv:2006.14822
16. Karimi D, Salcudean SE (2020) Snížení Hausdorffovy vzdálenosti v segmentaci lékařského obrazu pomocí konvolučních neuronových sítí. IEEE Trans Med Imaging 39(2):499–513
17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Soubor dat a technika pro zobecněnou jadernou segmentaci pro výpočetní patologii. 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 učení pro diagnostiku a rehabilitaci poruchy autistického spektra založenou na neurozobrazování: Přehled. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949
19. Kingma DP, Ba J (2015) Adam: Metoda pro stochastickou optimalizaci. In: Mezinárodní konference o reprezentacích učení, vol 9. arXiv:1412.6980v9 [cs.LG]
20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: Robustní architektura hlubokého učení pro segmentaci jader histopatologických obrazů rakoviny jater. 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) Robustní metoda pro segmentaci jader histopatologických obrazů obarvených H&E. 7. mezinárodní konference IEEE o zpracování signálů a integrovaných sítích (SPIN2020), Amity University Delhi NCR, Noida, UP
22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: plně konvoluční neuronové sítě pro volumetrickou segmentaci lékařského obrazu, čtvrtá mezinárodní konference o 3D vidění (3DV). Stanford, CA. str. 565–571. https://doi.org/10.1109/3DV.2016.79
23. Malekijoo A, Fadaeieslam MJ (2019) Konvolučně-dekonvoluční architektura s modulem pyramid pooling pro sémantickou segmentaci. Aplikace Multimed Tools 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7
24. Nogues I et al (2016) Automatická segmentace shluků lymfatických uzlin pomocí holisticky vnořených neuronových sítí a strukturované optimalizace v CT obrazech. In: Medical image computing and computer assisted interference – MICCAI 2016. Lecture notes in computer science, vol 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845
25. Naylor P, Lae M, Reyal F, Walter T (2019) Segmentace jader v histopatologických obrazech hlubokou regresí mapy vzdálenosti. IEEE Trans Med Imaging 38(2):448–459
26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Konvoluční sítě pro segmentaci biomedicínského obrazu. In: Proc. MICCAI. Springer, Mnichov, Německo, s. 234–241
27. Slaoui M, Fiette L (2011) Histopatologické postupy: od odběru vzorků tkáně k histopatologickému hodnocení. Methods Mol Biol (Methods Protoc) 691:69-82
28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Dvoukanálový aktivní obrysový model pro segmentaci megakaryocytárních buněk v histologických snímcích kostní dřeně trepanem. IEEE Trans Biomed Eng 64(12):2913–2923
29. Salehi SM, Erdogmus D, Gholipour A (2017) Tverského ztrátová funkce pro segmentaci obrazu pomocí 3D plně konvolučních hlubokých sítí. In: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Švýcarsko, str. 379–387
30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Zobecněné překrývání kostek jako funkce hluboké ztráty učení pro vysoce nevyvážené segmentace. In: Hluboké učení v analýze lékařského obrazu a multimodální učení pro podporu klinického rozhodování. Springer, str. 240–248
31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Attention gated networks: Learning, jak využít význačné oblasti v lékařských snímcích. 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) Automatická detekce a předpovídání covid-19 pomocí technik hlubokého učení: recenze. Strojové učení. 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) Aplikace technik hlubokého učení pro automatizovanou detekci roztroušené sklerózy pomocí zobrazování magnetickou rezonancí: A recenze, zpracování obrázků a videa. arXiv:2105.04881
34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Přehled technik umělé inteligence pro diagnostiku schizofrenie na základě zobrazovacích metod magnetickou rezonancí: metody , výzvy a budoucí práce. Strojové učení. arXiv:2103.03081
35. Sugino T, Kawase T et al (2021) Váhy ztrát pro zlepšení nevyvážené segmentace mozkových struktur pomocí plně konvolučních sítí, zdravotnictví. MDPI 9(8):938
36. Veit A, Wilber M, Belongie S (2016) Zbytkové sítě se chovají jako soubory relativně mělkých sítí. Neural Inf Process Syst s. 550–558. arXiv:1605.06431
37. Win KY, Choomchuay S, Hamamoto K (2017) K střední automatizovaná segmentace překrývajících se buněčných jader na základě klastrování v cytologických snímcích pleurálního výpotku. Mezinárodní konference o pokročilých technologiích pro komunikace (ATC). str. 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) Jemnozrnná segmentace pomocí hierarchických dilatovaných neuronových sítí. In: Medical image computing and computer assisted interference, vol 11073. Springer, Cham, pp 488-496
39. Zhou S, Nie D, Adeli E, Yin J, Lian J, Shen D (2020). In: IEEE Transactions on Image Processing, sv. 29, str. 461–475. https://doi.org/10.1109/TIP.2019.2919937
Amit Kumar Chanchal 1 · Shyam Lal 1 · Jyoti Kini 2
1 Department of Electronics and Communication Engineering, National Institute of Technology Karnataka, Surathkal, Mangaluru-575025, Karnataka, Indie
2 Ústav patologie, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, Indie
