Mélyen strukturált maradék kódoló-dekódoló hálózat új veszteségi funkcióval a vese- és emlőszövettani képek magszegmentálásához

Absztrakt

A rákos megbetegedések diagnosztizálásának és kezelésének javítása érdekében a digitális patológia első lépése a hematoxilinnel és eozinnal (H & E) festett sejtmagok automatikus szegmentálása a hisztopatológiai képekről. A javasolt mélystrukturált maradék kódoló-dekódoló hálózat (DSREDN) két szempontra összpontosít: először is hatékonyan hasznosította a maradék kapcsolatokat az egész hálózaton, és széles és mély kódoló-dekódoló útvonalat biztosít, ami a releváns kontextus és a lokalizáltabb jellemzők rögzítését eredményezi. Másodszor, az észlelt magok eltűnt határát egy hatékony veszteségfüggvény javaslatával kezelik, amely jobban betanítja a javasolt modellünket, és csökkenti a téves előrejelzést, amely nem kívánatos, különösen az egészségügyi alkalmazásokban. A javasolt architektúra három különböző, nyilvánosan elérhető H&E-festett kórszövettani adatkészlettel kísérletezett, nevezetesen: (I) Vese (RCC) (II) Triple Negative Breast Cancer (TNBC) (III) MoNuSeg-2018. Figyelembe vettük az F1-pontszámot, az Aggregált Jaccard Indexet (AJI), a paraméterek teljes számát és a FLOP-okat (lebegőpontos műveletek), amelyek többnyire előnyben részesített teljesítménymérő mérőszámok a magszegmentáció összehasonlításához. A magszegmentáció értékelt pontszáma azt mutatta, hogy a javasolt architektúra jelentős különbséget ért el öt korszerű mélytanulási modellhez képest három különböző kórszövettani adatkészleten. A vizuális szegmentálási eredmények azt mutatják, hogy a javasolt DSREDN modell jobban szegmentálja a nukleáris régiókat, mint a legmodernebb módszerek.

Kulcsszavak

Veserák diagnózisa és prognózisa · Magok szegmentációja · Maradék tanulás · Szövettani képek.

Kattintson ide, hogy megtudja a Cistanche hatásait

Bevezetés

A legújabb kutatási trendek azt mutatják, hogy a mély tanulási keretrendszer nagyon jól teljesített szegmentálási, észlelési és egyéb számítógépes látási feladatoknál. Az elmúlt évtizedben az új típusú számítási rendszerek fejlődésével, a megfelelő stratégiákkal a túlillesztési problémák kezelésére nagyon mély hálózatok képzéséhez, és sok olyan változással, amelyek alkalmasak a mély tanulási hálózatokra. A hematoxilin és az eozin (H & E) szegmentálása a festett kórszövettani képekről a mesterséges patológia elsődleges előfeltétele. A kórszövettani tárgylemez-előkészítést Slaoui M et al. a [27]-ben, a következő lépésekkel: (I) Szövetgyűjtés (II) Rögzítés (III) Beágyazás (IV) Metszés (V) Paraffinmentesítés (VI) Festés (VII) A tárgylemez digitalizálása teljes tárgylemez képalkotással (WSI) . Számos szövetgyűjtési módszer létezik, ezek a finom tűs aspiráció, a biopsziás tű, az excíziós biopszia stb. A nagyobb biopszia több információval rendelkezik, mint a kis tűs biopszia, mivel megőrzi a kórszövettani tárgylemezek nagy sejtkörnyezetét. A szövet rögzítése szükséges a kémiai és fizikai stabilizáláshoz. A beágyazás azért szükséges, hogy a szövetnek olyan formát adjon, hogy a gépek könnyen levághassák. A metszetkészítés szükséges ahhoz, hogy az összes háromdimenziós szövetinformációt sok vékony tárgylemez és kétdimenziós információ formájában megkapjuk. A paraffin eltávolítása a metszett szövetből fontos, mivel paraffinmentesítés nélkül a szövet egyes részeken kissé elmosódottnak tűnhet. A szövetlemezek festése azért szükséges, mert fényes terepi mikroszkóppal nem látható vagy nem átlátszó. A kórszövettani felvételekhez legszélesebb körben használt foltok a hematoxilin és az eozin. A szegmentálási feladatok hagyományos vagy kézműves jellemzőkivonási technikákra és CNN-alapú mély tanulási megközelítésekre oszthatók. A hagyományos szegmentálási módszerek többnyire hasonlóság alapú megközelítésen, diszkontinuitáson alapuló megközelítésen, vízválasztó technikákon, aktív kontúrmódszereken és változataikon, szuperpixel és klaszterezés alapú módszereken stb. alapulnak. A hasonlóság alapú megközelítés, amelyet Gonzalez RC et al. [8]-ban a lokális küszöbértéken, a globális küszöbön, az adaptív küszöbön, az Otsu-féle küszöbértéken, a régiónövelésen, a régió felosztásán és az összevonáson alapul, ahol ezek a módszerek a hasonló pixeleket próbálják csoportosítani és szegmentálni. Lapos völgyekkel rendelkező képhisztogramoknál a hasonlóságon alapuló megközelítés nem működik jól, és a küszöbérték helytelen kiválasztása ebben az esetben túl- és alulszegmentációt eredményezhet. A diszkontinuitás alapú megközelítés megpróbálja szegmentálni azokat a pixeleket, amelyek valamilyen módon elszigeteltek, például pontok, vonalak és élek, és ez egy maszkfeldolgozás alapú megközelítés. Ez a módszer különböző operátorokat igényel a különböző szakaszokban. Cousty J et al. vízválasztó szegmentálási módszert javasolt [4]-ben, amely a felosztáson, egyesítésen és marker-vezérelt vízválasztón alapul. A vízválasztó módszerben észlelt határok a sejt összetettségétől függenek. Song T et al. [28]-ban javasolta az aktív kontúrszegmentációt, ahol az intenzitásinformációkat és a lokális élinformációkat veszik figyelembe az objektumhatárok észleléséhez. Az Albayrak A és munkatársai által alkalmazott szuperpixelszegmentációs módszer. [1]-ben, azonos jellemzőkkel rendelkező, összekapcsolt pixelek klaszterén alapul. Figyelembe veszi a szomszédos pixelek színét és koordinátáinak információit. Ez a technika jobb regionális információt nyújt, de nem túl hatékony a sejtszegmentáció esetén. Klaszterezésen alapuló szegmentáció, amelyet Win KY et al. a [37]-ben hasonlóságuk alapján csoportosítást végez. A legújabb kutatási munkák során a legtöbb szerző arról számolt be, hogy a mélykonvolúciós neurális hálózaton alapuló szegmentációs technika sokkal jobban teljesít, mint a hagyományos szegmentációs megközelítés. A CNN alapú megközelítés tömör áttekintése a 2. részben található. A mély tanulási szegmentációs módszerek szintén számos kihívással küzdenek. Ha kategorizáljuk ezeket a kihívásokat, akkor a következő szempontok szerint fogunk megjelenni.

1. A szövetek megjelenésének nagy eltérései és a szövetek osztályának és alosztályának változatos spektruma miatt nehéz felismerni.

2. Az összetett határok, az átfedő határok és az eltűnő határok felosztása nem könnyű feladat.

3. Az alapigazság elkészítése szupervíziós tanulás esetén is nagy kihívás. Tapasztalt patológusok felügyelete szükséges, mivel az előrejelzés pontossága az annotált alapigazságtól függ.

Összetett kórszövettani felvételek esetén a hagyományos módszerek vagy túl- vagy alulszegmentálódnak. A javasolt megközelítés az átfedő és eltűnt nukleáris régiók elkülönítésére összpontosít a hisztopatológiai képektől. A sejtmagok hisztopatológiai képek alapján történő szegmentálásával kapcsolatos kihívások kezelésére ebben a cikkben a következőket adjuk hozzá.

1. A többszintű köztes jellemzők erősítésére javasolt DSREDN modellünk hatékonyan hasznosította a reziduális tanulás erejét.

2. Empirikus bizonyítékokkal, gondos kísérletezéssel és elemzéssel új veszteségfüggvényt javasoltunk. A vizuális eredmények és a teljesítménymátrixok azt mutatják, hogy a veszteségfüggvényünk jobban képezi a modellt és pontosabban szegmentálja a nukleáris régiókat, mint a legmodernebb módszerek.

Cistanche tubulosa

Kapcsolódó munka

A cellaszegmentálási feladat CNN-architektúrájának nagy része egy kódoló-dekódoló útvonalból áll a jellemzők kinyeréséhez. A közelmúltban végzett kutatások nagy része számos potenciális lehetőséget használ ki, mint például az edzési stratégiák javítása, a túlillesztési problémák kezelése, a jobb optimalizálási módszerek és sok más stratégia a jobb előrejelzési pontosság elérése érdekében. Sok szerző azonban beszámolt eredményéről, amely nagyon hatékony, de a pontos és hatékony szegmentációs algoritmus a kórszövettani képek összetettsége miatt még mindig nyitott kutatás. Az egyik jelentős hozzájárulás Ronneberger et al. [26]-ban, UNet néven, nagyon jó irányt és drámai áttörést ad az orvosbiológiai képszegmentáció területén. Az UNet egy szimmetrikus kódoló-dekódoló konvolúciós hálózat, és nagyszámú szolgáltatáscsatornával rendelkezik, amelyek lehetővé teszik a szolgáltatások magasabb rétegébe történő kinyerését egy mély hálózatban. A (3 x 3) konvolúciós kernel ismételt alkalmazása, majd a ReLU aktiválása, (2 x 2) max-pooling és (2 x 2) felfelé mintavétel 2-es lépésmérettel, valamint (1 x 1) konvolúció, majd szigmoid aktiválás utolsó réteg, összesen 23 réteg a hálózatban. [36]-ban Veit A et al. kísérletük során rájöttek, hogy ha egy hálózatnak van útgyűjteménye, akkor a képzés során egy rövidebb út is elegendő, vagy a képzés során nincs szükség nagyon mély útra. Ezek a többszörös útvonalak nem függnek erősen egymástól, és több érvényes útvonallal való zökkenőmentes társkapcsolatuk növeli a hálózat teljesítményét. A [22]-ben Milletari F et al. egy kódoló-dekódoló konvolúciós hálózatot javasolt háromdimenziós adatokhoz, a kockavesztést veszteségfüggvényként használva. Empirikus értékelésük jobb teljesítményt ér el az erős egyensúlyhiány adatkészletén. [24]-ben Nogues I et al. egy architektúrát javasolt a nyirokcsomók kimutatására két teljesen egymásba ágyazott felügyelt konvolúciós hálózattal és egy strukturált feltételes véletlenmező-optimalizálási stratégiával. Az információk mélyebb hálózatban való leépülésével Kaiming He et al. [9]-ben egy mély maradék hálózat bevezetésével, amely könnyebben betanítható és optimalizálható. A maradék kapcsolat egy vagy több réteg kihagyásával valósul meg, hogy helyreállítsa az információáramlást egy mély hálózatban. A szövettani objektumok szegmentálására és kimutatására Chen H et al. [5]-ben bevezetett egy kontúr-tudatos modellt, amely többszintű információt nyer ki segédfelügyelet mellett. A [10]-ben Huang G et al. konvolúciós hálózatot javasolt, amely erősíti a bemeneti jellemzőtérkép általános áramlását az előző réteg bemenetének és az eredeti bemenetnek a táplálásával. Kísérletük azt is jelzi, hogy az identitásleképezés integrálásának köszönhetően a modell kompaktabb jellemzőket tanul meg, és csökkenti az eltűnő gradiens problémát. Kiegyensúlyozatlan adatkészlet esetén az előrejelzések a nagy pontosság és az alacsony visszahívás irányába torzulnak, ami nem tolerálható, különösen az orvosi területen. Ezzel a problémával Salehi SM et al. [29]-ben, amely a mély hálózatot képezte, még egy nagyon kiegyensúlyozatlan adatkészlettel is, és hatékonyan kezelte azokat, ahol a hamis negatív előrejelzés sokkal veszélyesebb, mint a hamis pozitív. A veszteségfüggvények viselkedését, mint például a súlyozott keresztentrópia és a kockavesztés eltérő tanulási arány mellett, Sudre CH et al. [30]-ban az orvosi képeken és a házi adatkészleteken. Kísérletük azt találta, hogy az egyensúlyhiány mértékének növekedésével az átfedés mértéke a mértékalapú veszteségfüggvény hatékonyabb. A memória és az idő szempontjából nagyon hatékony az út- és beltéri jelenetek szemantikai szegmentálásához, egy kódoló-dekódoló architektúra, amelyet Badrinarayanan V és munkatársai SegNet-nek hívnak. a [3]-ban. A SegNet egy ritka funkciójú dekódert hoz létre, amely felmintázza az átvitt készletet és annak alacsonyabb felbontású bemenetét a kódolójából. A határközeli régiók pontos szegmentálásához Zhou S et al. [38], reziduális hálózatot használt dilatált konvolúciós blokkkal. Számos hierarchikus blokkot használnak párhuzamosan az értelmes szemantikai információk lekérésére. Az osztálykiegyensúlyozatlansági problémák kezelésére vagy a hamis negatív előrejelzések csökkentésére az egészségügyben a Hashemi SR [11]-ben egy 3D-sűrű CNN-t javasol Tversky-index alapú aszimmetrikus hasonlósági veszteséggel, amely a legkisebb felületi távolsággal edzi a hálózatot. Komplex határokkal kapcsolatos szegmentációs probléma, amellyel Naylor P et al. [25]-ben a magon belüli távolságon alapuló veszteségfüggvény megfogalmazásával. A kódoló-dekódoló modelljük felülmúlja az FCN, FCN plus PP, Mask R-CNN, U-Net és U-Net plus PP TNBC és MoNuSeg adatkészletekkel kísérletezett modelljét. Jelentős bővítmények a szabványos kódoló-dekódolóban egy további modul beépítésével, amelyet Schlemper J et al. figyelmi kapunak neveznek. [31]-ben, valamint a figyelem, valamint a reziduális mechanizmus Lal S et al. a [20]-ban, ahol a hálózatot úgy tanítják, hogy elnyomja az irreleváns jellemzőket, miközben kiemeli az értelmes jellemzőt. Az útjelenet-szegmentáláshoz Malekijoo A et al. [23]-ban az autoencoder alapú modellt használta, ahol konvolúciót, dekonvolúciót és piramis poolingot alkalmaztak a lokális jellemző erősítésére. A mikroszkopikus, MR és CT képek szegmentálásához egy kódoló-dekódoló architektúra, Zhou S et al. [39]-ben értelmes kapcsolatokat kapcsolt össze a komplex határok pontos meghatározásához. A patológiás képeken a magok szegmentálására a Lal S et al. modell [21], adaptív színdekonvolúcióból, többléptékű küszöbértékezésből, majd morfológiai műveletekből és egyéb utófeldolgozási lépésekből áll. Az orvosi képek szegmentálására egy új veszteségfüggvény Karimi D et al. [16]-ban Hausdorff-távolságot becsült morfológiai műveleti módszerrel, távolságtranszformációs módszerrel és különböző sugarú körkörösen csavart magokkal. A Hausdorff-távolság csökkentésének módszereit felhasználva a CNN-t különböző mikroszkópos felvételekre képezik ki, és összehasonlítják eredményeiket egy általánosan használt veszteségfüggvénnyel. Hanif MS et al. [12]-ben egy versenyképes maradványhálózatot javasolt több maradék egység egymásra halmozásával, úgynevezett széles hálózattal. Tanulmányuk arra a következtetésre jutott, hogy egy ilyen széles hálózat teljesítménye jobb, mint a mély és vékony hálózaté. Chanchal AK et al. és Aatresh AA et al. [2, 6]-ban szeparálható konvolúciós piramis poolingot és dimenziónkénti piramis poolingot használt magszegmentációs feladatokhoz.

Cistanche kapszula

Javasolt építészet

A mikroszkópos képek szegmentálására a kódoló-dekódoló architektúra a legalkalmasabb, mert ha egy kódoló szabályos konvolúciós rétegekkel és max-pooling rétegekkel rendelkezik, akkor nagyon hatékonyan rögzíti a kép kontextusát. A dekóder útvonala a kimenetet úgy jeleníti meg, hogy fokozatosan alkalmazza a mintavételezést, összegyűjti a kódolóból a releváns jellemzőket, és lehetővé teszi a pontos lokalizációt. Az 1. ábrán látható DSREDN hálózat kódoló oldalán lévő szűrők mindegyike rugalmas méretű bemenetet fogad. szabályos (3 x 3) 2D szabványos konvolúciót, kötegelt normalizálást és max-poolinget alkalmaztunk. Annak érdekében, hogy elkerüljük a telítettségi problémákat és az információvesztést a hálózatba mélyedve, visszaállítottuk az alsóbb rétegű információkat úgy, hogy létrehoztunk egy további útvonalat a hálózat fő útvonalával párhuzamosan. Ez a két út nincs erősen korrelálva egymással, így elkerülhető a gradiens problémák eltűnése. Mindegyik szűrőméretnél a DSREDN hálózat teljes kódolóoldala három konvolúciós rétegből áll, amelyek párhuzamosak egyetlen csavart útvonallal, amely a hálózat kontextuálisabb jellemzőinek áramlására összpontosított. Mivel a végső kimenetet létrehozó dekódoló útvonal hatékonysága a kódolóoldali kontextuális jellemzők gyűjteményétől függ, a dekóder oldalon egy kissé eltérő útvonal van az összegyűjtött jellemző optimális feldolgozásához. Ezzel az eljárással a DSREDN hálózatunk széles és mély lesz, nem pedig vékony és mély. DSREDN hálózat RGB képekkel betanítva (512 x 512 x 3). Az öt különböző szűrőmérettel és a megfelelő dekóderúttal rendelkező kódolóút öt szakasza a következőkből áll: (a) a kernelméret 2D konvolúciója (3 x 3) ReLU aktiválással (b) Egy nagy felbontású réteg (c) (2 x 2) max. - pooling réteg a kódoló útvonalon a kép térbeli méretének csökkentése érdekében, és a megfelelő (2 x 2) felfelé mintavételi réteg a dekóder oldalán a kontextuális jellemzők összegyűjtése a kódoló oldalról összefűzési művelettel (d) A végső szakaszban a (1 x 1 ) konvolúciót használunk a méret (512 x 512 x 16) leképezésére (512 x 512 x 1) szigmoid aktiválással.

Következtetés

Ez a tanulmány egy CNN-alapú architektúrát javasolt, amelyet mélystrukturált maradék kódoló-dekódoló hálózatnak (DSREDN) neveznek, és amely az automatikus magszegmentáció két fő problémájára ad választ. Az első nagy gond az volt, hogy a hisztopatológiai felvételekből olyan sejtmagokat azonosítsanak, amelyek széles spektrumúak és nagyszámú műtermék. Ezt a problémát egy olyan hatékony kódoló-dekódoló bevezetésével oldották meg, amely két útvonallal rendelkezik, amelyek jobban megkülönböztető képességgel rendelkeznek, és képesek voltak releváns és kompakt texturális információk lekérésére. A megvalósított hálózatok hatékonyan kihasználják a maradék tanulás erejét, valamint a kódoló-dekódoló architektúrát azáltal, hogy széles és mély hálózati útvonalakat építenek be, amelyek erősítik a köztes jellemzőket. Gondos kísérletezéssel és elemzéssel hatékony veszteségfüggvényt javasoltunk az összetett vagy eltűnő határokkal rendelkező magok szegmentálására, ami a szegmentálási feladat második fő kérdése volt. A legelőnyösebb teljesítménymátrixokat, az F1-pontszámot és az AJI-pontszámot használtuk a három különböző nyilvánosan elérhető H&E-festett kórszövettani adatkészleten végzett kísérletekkel. A javasolt keretrendszer kapott minőségi mérőszámai és előrejelzett nukleáris régiói jobbak voltak a legmodernebb modellekéhez képest.

Cistanche tabletták

Bár a javasolt modell kiváló eredményeket produkált, a jellemzőteret tovább lehet gazdagítani egy nagy teljesítményű jellemzőkivonási modul beépítésével. Ezenkívül a javasolt módszer általánosítható több képmóddal való munkára. Ez a vizsgálat a hisztopatológiai képek bináris szegmentációja, itt csak a nukleáris régiókat tudjuk szegmentálni. A jövőben ezeket a nukleáris régiókat altípusokba sorolhatjuk. Shoeibi A és munkatársai kevés innovatív alkalmazásról számoltak be a különböző képmódszereknek. [32, 33]-ban, amelyben generatív ellenséges hálózatokat (GAN), visszatérő neurális hálózatokat (RNN), autoencodereket (AE), konvolúciós neurális hálózatokat (CNN), mély neurális hálózatokat (DNN) és más hibrid hálózatokat fejlesztettek ki a COVID-19 és a sclerosis multiplex automatikus felismerése. A [18, 34]-ben Khodatars M et al. és Sadeghi D et al. szemléltette a mély tanulás alkalmazhatóságát az autizmus spektrum zavar diagnosztizálására és a skizofrénia betegség kimutatására. Ezek a példák rávilágítanak arra, hogy a számítógéppel segített diagnosztikai rendszerek területe gyorsan változik, és hogy még mindig számos olyan alkalmazás létezik, amelyekre még nem összpontosítottak.

Hogyan javítja a Cistanchis a veseműködést

A Cistanche egy gyógynövény, amelyet régóta használnak a hagyományos kínai orvoslásban a veseműködés fokozására. Aktív komponenseinek, például fenil-etanoid-glikozidoknak és iridoidoknak köszönhetően számos előnye van.

A tanulmányok azt sugallják, hogy a Cistanche elősegítheti a veseműködést azáltal, hogy javítja a vese véráramlását, csökkenti az oxidatív stresszt, és fokozza a vese egészségét támogató növekedési faktorok termelését. Ezenkívül segíthet a vérnyomás szabályozásában és a gyulladás csökkentésében, amelyek fontos tényezők a vese egészsége szempontjából.

Ezenkívül a Cistanche megmutatta, hogy képes megvédeni bizonyos gyógyszerek vagy toxinok által okozott vesekárosodást. Védő hatással lehet a vesékre azáltal, hogy gátolja a gyulladásos reakciókat és csökkenti a sejthalált.

Fontos azonban megjegyezni, hogy további kutatásokra van szükség ahhoz, hogy teljes mértékben megértsük a Cistanche veseműködést fokozó mechanizmusait és hatékonyságát. Mint minden gyógynövényes gyógyszer esetében, tanácsos konzultálni egy képzett egészségügyi szakemberrel, mielőtt gyógyászati ​​​​célokra használná.

Hivatkozások

1. Albayrak A, Bilgin G (2019) Automatikus sejtszegmentáció hisztopatológiai képeken kétlépcsős szuperpixel-alapú algoritmusok segítségével. 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) Hatékony mélytanulási architektúra dimenziók szerinti piramis-összevonással a hisztopatológiai képek magszegmentálásához. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: A mélykonvolúciós kódoló-dekódoló architektúra képszegmentáláshoz. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Watershed cuts: Thinnings, shortest path forests, and topological watersheds. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: mély kontúrt ismerő hálózatok a pontos mirigyszegmentáció érdekében. Számítógépes látás és mintafelismerés. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Hatékony és robusztus mély tanulási architektúra a vese- és mellszövettani képek szegmentálásához. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) Nagy felbontású mélyen átvitt ASPPU-Net hisztopatológiai képek magszegmentálásához. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Digitális képfeldolgozás, 3. kiadás. Prentice Hall, New York, USA. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Deep residual learning for image discovery. 2016-os IEEE konferencia a számítógépes látásról és mintafelismerésről (CVPR), Las Vegas, NV. 770–778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Sűrűn összefüggő konvolúciós hálózatok. IEEE konferencia a számítógépes látásról és mintafelismerésről (CVPR), Honolulu. 2261–2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Aszimmetrikus veszteségfüggvények és mély, sűrűn összekapcsolt hálózatok az erősen kiegyensúlyozatlan orvosi képszegmentációhoz: alkalmazás a sclerosis multiplex léziók kimutatására. In: IEEE Access, 7. kötet, 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Versenyképes maradék neurális hálózat képosztályozáshoz. ICT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Batch normalization: accelerating deep network training a belső kovariáns eltolódás csökkentésével. Gépi tanulás. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Crowdsourcing image annotation for nucleus detection and segmentation in computational pathology: evaluating experts, automated methods, and the crowd. In: Pacific Symposium on biocomputing (PSB), 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) A szemantikai szegmentáció veszteségfüggvényeinek felmérése. [Online]. Elérhető: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) A Hausdorff-távolság csökkentése az orvosi képszegmentációban konvolúciós neurális hálózatokkal. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) A dataset and a technika for generalized nukleáris szegmentáció a számítási patológiához. 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 tanulás az autizmus spektrum zavar neuroimaging-alapú diagnosztizálásához és rehabilitációjához: áttekintés. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: A method for stochastic optimization. In: International Conference on learning representations, vol 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: Robust deep learning architektúra a májrák hisztopatológiai képek magszegmentálásához. 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) A robust method for nuclei segmentation of H&E festett hisztopatológiai képek. 7. IEEE nemzetközi konferencia a jelfeldolgozásról és az integrált hálózatokról (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: teljesen konvolúciós neurális hálózatok volumetrikus orvosi képszegmentációhoz, negyedik nemzetközi konferencia a 3D látásról (3DV). Stanford, CA 565–571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Konvolúciós-dekonvolúciós architektúra piramis pooling modullal szemantikai szegmentációhoz. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Automatikus nyirokcsomó-klaszter szegmentáció holisztikusan egymásba ágyazott neurális hálózatok és strukturált optimalizálás segítségével CT-képeken. In: Medical image computing and computer assisted intervenció – 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) Segmentation of nuclei in histopatology images by deep regression of the distance map. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Konvolúciós hálózatok az orvosbiológiai képszegmentációhoz. In: Proc. MICCAI. Springer, München, Németország, 234–241

27. Slaoui M, Fiette L (2011) Szövetgyógyászati ​​eljárások: a szövetmintavételtől a kórszövettani kiértékelésig. Methods Mol Biol (Methods Protoc) 691:69-82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Dual-channel active contour model for megakaryocytic cell segmentation in bone marrow trephine histology images. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Tversky veszteségfüggvény képszegmentációhoz 3D, teljesen konvolúciós mélyhálózatok használatával. In: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Svájc, 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Generalized dice overlap as a deep learning loss function for very unbalanced segmentations. In: Mély tanulás az orvosi képelemzésben és a multimodális tanulásban a klinikai döntések támogatásához. Springer, 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): Covid automatikus észlelése és előrejelzése-19 mély tanulási technikákkal: áttekintés. Gépi tanulás. 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) Alkalmazások mély tanulási technikák automatizált sclerosis multiplex detektálásához mágneses rezonancia képalkotással: A áttekintés, kép- és videófeldolgozás. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) A skizofrénia diagnosztizálására szolgáló mesterséges intelligencia technikák áttekintése mágneses rezonancia képalkotási módokon: , kihívások és jövőbeli munkák. Gépi tanulás. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021): Veszteségsúlyozások az egyensúlytalan agyszerkezet szegmentációjának javítására teljesen konvolúciós hálózatok, egészségügyi ellátás segítségével. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) A maradék hálózatok viszonylag sekély hálózatok együtteseiként viselkednek. Neural Inf Process Syst, 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K átlag klaszterezésen alapuló automatizált szegmentációja átfedő sejtmagok pleurális effúziós citológiai képeken. Nemzetközi konferencia a fejlett kommunikációs technológiákról (ATC). 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) Fine-graained segmentation using hierarchical diated neural networks. In: Medical image computing and computer assisted intervention, 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, 29. kötet, 461–475. https://doi.org/10.1109/TIP.2019.2919937

Amit Kumar Chanchal 1 · Shyam Lal 1 · Jyoti Kini 2

1 Electronics and Communication Engineering Department, National Institute of Technology Karnataka, Surathkal, Mangaluru-575025, Karnataka, India

2 Patológiai osztály, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, India