Duboko strukturirana rezidualna enkoder-dekoder mreža s novom funkcijom gubitka za segmentaciju jezgara histopatoloških slika bubrega i dojke

Abstract

Kako bi se poboljšao proces dijagnoze i liječenja bolesti raka, automatska segmentacija ćelijskih jezgara obojenih hematoksilinom i eozinom (H&E) sa histopatoloških snimaka je prvi korak u digitalnoj patologiji. Predložena duboko strukturirana rezidualna mreža enkoder-dekoder (DSREDN) fokusira se na dva aspekta: prvo, efikasno koristi zaostale veze u cijeloj mreži i pruža široku i duboku putanju koder-dekoder, što rezultira hvatanjem relevantnog konteksta i više lokaliziranih karakteristika. Drugo, nestala granica detektiranih jezgri se rješava predlaganjem efikasne funkcije gubitka koja bolje trenira naš predloženi model i smanjuje lažno predviđanje koje je nepoželjno, posebno u aplikacijama u zdravstvu. Predložena arhitektura eksperimentirala je na tri različita javno dostupna H&E obojena histopatološka skupa podataka i to: (I) Bubrezi (RCC) (II) Trostruki negativni rak dojke (TNBC) (III) MoNuSeg-2018. Uzeli smo u obzir F1-score, agregirani Jaccard indeks (AJI), ukupan broj parametara i FLOP (operacije s pomičnim zarezom), koji su uglavnom preferirane metrike mjerenja performansi za poređenje segmentacije jezgara. Procijenjeni rezultat segmentacije jezgara pokazao je da je predložena arhitektura postigla značajnu marginu u odnosu na pet najsavremenijih modela dubokog učenja na tri različita histopatološka skupa podataka. Rezultati vizuelne segmentacije pokazuju da predloženi DSREDN model preciznije segmentira nuklearne regije od onih najsavremenijih metoda.

Ključne riječi

Dijagnoza i prognoza karcinoma bubrega · Segmentacija jezgara · Rezidualno učenje · Histopatološke slike.

Kliknite ovdje da saznate efekte Cistanchea

Uvod

Najnoviji trendovi istraživanja pokazuju da je okvir dubokog učenja pokazao vrlo dobre rezultate za segmentaciju, detekciju i druge zadatke kompjuterskog vida. U poslednjoj deceniji, sa napretkom novih tipova računarskih sistema, odgovarajućim strategijama za rešavanje problema preopterećenja za obuku veoma dubokih mreža, i mnogo promena koje su pogodne za mreže dubokog učenja. Segmentacija hematoksilina i eozina (H&E) iz obojenih histopatoloških snimaka je primarni preduvjet za umjetnu patologiju. O pripremanju stakalca za histopatologiju raspravljaju Slaoui M et al. u [27], prema sljedećim koracima: (I) Sakupljanje tkiva (II) Fiksacija (III) Ugradnja (IV) Sečenje (V) Deparafiniranje (VI) Bojenje (VII) Digitalizacija dijapozitiva pomoću slike cijelog dijapozitiva (WSI) . Postoji nekoliko metoda prikupljanja tkiva, a to su aspiracija finom iglom, igla za biopsiju, eksciziona biopsija, itd. Veća biopsija ima više informacija od biopsije malom iglom jer čuva veliki ćelijski kontekst histopatoloških pločica. Za hemijsku i fizičku stabilizaciju potrebna je fiksacija tkiva. Ugrađivanje je potrebno kako bi se tkivu dao određeni oblik tako da se može lako rezati mašinama. Sekcija je potrebna da bi se dobile sve trodimenzionalne informacije o tkivu u obliku mnogih tankih slajdova i dvodimenzionalnih informacija. Uklanjanje parafina iz isječenog tkiva je važno, bez deparafiniranja tkivo može izgledati pomalo mutno u nekim dijelovima. Bojenje stakalca tkiva je potrebno jer nije vidljivo ili providno pod mikroskopijom svijetlog polja. Najrasprostranjenije mrlje za histopatološke slike su hematoksilin i eozin. Zadaci segmentacije mogu se kategorizirati u tradicionalne ili ručno izrađene tehnike izdvajanja karakteristika i CNN-bazirane pristupe dubokog učenja. Tradicionalne metode segmentacije se uglavnom baziraju na pristupu zasnovanom na sličnosti, pristupu zasnovanom na diskontinuitetu, tehnikama razvodnih područja, metodama aktivnih kontura i njihovim varijantama, superpikselnim metodama i metodama zasnovanim na grupisanju, itd. Pristup zasnovan na sličnosti razmatraju Gonzalez RC et al. u [8], zasniva se na lokalnom pragu, globalnom pragu, adaptivnom pragu, Otsuovom pragu, rastu regiona, razdvajanju regiona i spajanju, gde ove metode pokušavaju da grupišu i segmentiraju slične piksele. Za histograme slike koji imaju ravne doline, pristup zasnovan na sličnosti ne funkcionira dobro i pogrešan odabir vrijednosti praga može rezultirati prekomjernom i podsegmentacijom u ovom slučaju. Pristup zasnovan na diskontinuitetu pokušava segmentirati one piksele koji su izolovani na neki način kao što su tačke, linije i ivice, i to je pristup zasnovan na obradi maske. Ova metoda zahtijeva različite operatere u različitim fazama. Cousty J et al. predložio je metodu segmentacije sliva u [4], zasnovanu na podjelu, spajanju i slivovima kontroliranim markerima. Otkrivene granice u metodi sliva zavise od kompleksnosti ćelije. Song T et al. predloženu aktivnu segmentaciju konture u [28], gdje razmatraju informacije o intenzitetu i informacije o lokalnoj ivici za detekciju granica objekta. Metoda segmentacije superpiksela koju koriste Albayrak A et al. u [1], zasniva se na grupi povezanih piksela koji imaju identične karakteristike. Razmatra boju i koordinira informacije susjednih piksela. Ova tehnika pruža bolje regionalne informacije, ali nije baš efikasna u slučaju segmentacije ćelija. Segmentacija zasnovana na grupisanju koju su predložili Win KY et al. u [37], vrši grupisanje na osnovu njihove sličnosti. U nedavnom istraživačkom radu, većina autora je izvijestila da tehnika segmentacije zasnovana na dubokoj konvolucionoj neuronskoj mreži radi daleko bolje od konvencionalnog pristupa segmentacije. Sažeti pregled pristupa zasnovanog na CNN-u predstavljen je u odjeljku 2. Metode segmentacije dubokog učenja također pate od mnogih izazova. Ako kategoriziramo ove izazove, doći će do sljedećih aspekata.

1. Zbog velikih varijacija izgleda tkiva i raznolikog spektra klasa i podklasa tkiva, teško ga je prepoznati.

2. Segmentacija složenih granica, preklapanja granica i granica koje nestaju nije lak zadatak.

3. Priprema temeljne istine u slučaju učenja pod nadzorom je također veliki izazov. Nadzor iskusnih patologa je neophodan jer tačnost predviđanja zavisi od označene osnovne istine.

U slučaju složenih histopatoloških slika, konvencionalne metode pate od prekomjerne ili premale segmentacije. Predloženi pristup se fokusira na odvajanje preklapanih i nestalih nuklearnih regija od histopatoloških slika. Kako bismo odgovorili na izazove u segmentaciji jezgara sa histopatoloških slika, naši doprinosi u ovom radu su sljedeći.

1. Da bi se ojačale karakteristike srednjeg nivoa na više nivoa, naš predloženi DSREDN model je efikasno koristio snagu rezidualnog učenja.

2. Putem empirijskih dokaza i pažljivog eksperimentisanja i analize, predložili smo novu funkciju gubitka. Vizuelni rezultati i matrice performansi pokazuju da naša funkcija gubitka bolje trenira model i precizno segmentira nuklearne regije u poređenju sa najsavremenijim metodama.

Cistanche tubulosa

Povezani rad

Većina CNN arhitekture za zadatak segmentacije ćelija sastoji se od putanje koder-dekoder za ekstrakciju karakteristika. Veliki dio nedavnih istraživanja koristi puno potencijalnih mogućnosti kao što su poboljšanje strategija treninga, rješavanje problema preopterećenja, bolje metode optimizacije i mnoge druge strategije za postizanje bolje preciznosti predviđanja. Međutim, mnogi autori su objavili svoj rezultat koji je vrlo efikasan, ali je precizan i efikasan algoritam segmentacije još uvijek otvoreno istraživanje zbog složenosti histopatoloških slika. Jedan od značajnih doprinosa Ronnebergera et al. u [26], pod nazivom UNet, pruža vrlo dobar smjer i dramatičan proboj u polju segmentacije biomedicinske slike. UNet je simetrična konvoluciona mreža koder-dekoder i ima veliki broj kanala karakteristika koji omogućavaju izdvajanje karakteristika na viši sloj u dubokoj mreži. Ponovljena primjena (3 x 3) konvolucionog kernela praćena ReLU aktivacijom, (2 x 2) maksimalnim udruživanjem i (2 x 2) up-samplingom s veličinom koraka od 2 i (1 x 1) konvolucijom nakon čega slijedi sigmoidna aktivacija na završni sloj, ukupno 23 sloja u mreži. U [36], Veit A et al. shvatili su kroz svoj eksperiment da ako mreža ima kolekciju puteva onda je kraći put dovoljan tokom treninga, ili vrlo dubok put nije potreban tokom treninga. Ovi višestruki putevi ne zavise jako jedni od drugih i njihova glatka korelacija sa višestrukim važećim putevima povećava performanse mreže. U [22], Milletari F et al. predložio konvolucionu mrežu enkoder-dekoder za trodimenzionalne podatke koristeći gubitak kockice kao funkciju gubitka. Njihova empirijska evaluacija postiže bolje performanse na skupu podataka o jakoj neravnoteži. U [24], Nogues I et al. predložio arhitekturu za detekciju limfnih čvorova pomoću dvije potpuno ugniježđene nadzirane konvolucijske mreže i strukturiranu uvjetnu strategiju optimizacije slučajnog polja. Degradacijom informacija u dubljoj mreži bavili su se Kaiming He et al. u [9], uvođenjem duboke rezidualne mreže koju je lakše obučiti i optimizirati. Preostala veza se ostvaruje preskakanjem jednog ili više slojeva kako bi se obnovio tok informacija u dubokoj mreži. Za segmentaciju i detekciju histoloških objekata, Chen H et al. u [5], uveo model koji je svjestan konture koji izdvaja informacije na više nivoa pod pomoćnim nadzorom. U [10], Huang G et al. predložio konvolucionu mrežu, koja jača ukupni tok ulazne mape karakteristika unosom prethodnog sloja kao i originalnog ulaza. Njihov eksperiment također pokazuje da zahvaljujući integraciji mapiranja identiteta, model uči kompaktnije karakteristike i smanjuje problem nestajanja gradijenta. U slučaju neuravnoteženog skupa podataka, predviđanja su pristrasna prema visokoj preciznosti i niskom sjećanju, što nije tolerantno, posebno u medicinskom polju. Ovim problemom se bave Salehi SM et al. u [29], koji je obučavao duboku mrežu, čak i sa veoma neuravnoteženim skupom podataka, i efikasno se bavio tamo gde je lažno negativno predviđanje mnogo opasnije od lažno pozitivnog. Ponašanje funkcija gubitka kao što su ponderisana unakrsna entropija i gubitak kockica s različitim stopama učenja ispitali su Sudre CH et al. u [30], o medicinskim slikama i skupovima podataka o kući. Njihov eksperiment je otkrio da kako se nivo neravnoteže povećava, funkcija gubitka zasnovana na preklapanju je efikasnija. Veoma efikasna u smislu memorije i vremena za semantičku segmentaciju scena na cesti i zatvorenom prostoru, arhitektura kodera-dekodera pod nazivom SegNet od Badrinarayanan V et al. u [3]. SegNet generiše retki dekoder karakteristika koji vrši nadosempling sa prenetim skupom i njegovim ulazom niže rezolucije iz svog kodera. Za precizno segmentiranje blizu graničnih regija Zhou S et al. [38], koristili su rezidualnu mrežu s proširenim blokom konvolucije. Oni paralelno koriste mnoge hijerarhijske blokove kako bi dohvatili smislene semantičke informacije. Da bi riješio probleme klasne neravnoteže ili smanjio lažno negativna predviđanja u zdravstvu, Hashemi SR u [11] predlaže 3D gust CNN sa asimetričnim gubitkom sličnosti zasnovanim na Tversky indeksu koji trenira mrežu s najnižom površinskom udaljenosti. Kompleksni problem segmentacije vezan za granice kojim se bave Naylor P et al. u [25], formulisanjem funkcije gubitka na osnovu intranuklearne udaljenosti. Njihov model koder-dekoder nadmašuje FCN, FCN plus PP, Mask R-CNN, U-Net i U-Net plus PP eksperimentisan sa TNBC i MoNuSeg skupovima podataka. Značajna proširenja u standardnom koderu-dekoderu uključivanjem dodatnog modula nazvanog vrata pažnje od strane Schlemper J et al. u [31], te pažnju, kao i rezidualni mehanizam od strane Lal S et al. u [20], gdje je mreža obučena na takav način da potiskuje nebitne karakteristike dok naglašava značajnu karakteristiku. Za segmentaciju scene na cesti Malekijoo A et al. u [23], koristio je model baziran na autokoderu gdje su konvolucija, dekonvolucija i piramidalno udruživanje primijenjeni za jačanje lokalne karakteristike. Za segmentaciju mikroskopskih, MR i CT slika koristi se arhitektura koder-dekoder od strane Zhou S et al. u [39], povezane smislene veze za precizno lociranje kompleksnih granica. Za segmentaciju jezgara na slikama patologije, Lal S et al. model [21], sastoji se od adaptivne dekonvolucije boja, višerazmjernog praga praćenog morfološkim operacijama i drugim koracima naknadne obrade. Za segmentaciju medicinskih slika, nova funkcija gubitka od strane Karimi D et al. u [16], procijenjena Hausdorffova udaljenost korištenjem metode morfološke operacije, metode transformacije udaljenosti i kružno zavijenih jezgara različitih radijusa. Koristeći metode smanjenja Hausdorffove udaljenosti, obučavaju CNN za različite mikroskopske slike i upoređuju svoje rezultate sa uobičajenom funkcijom gubitka. Hanif MS et al. u [12], predložio je konkurentnu rezidualnu mrežu slaganjem više rezidualnih jedinica koje se nazivaju široka mreža. Njihova studija je zaključila da su performanse tako široke mreže bolje od duboke i tanke mreže. Chanchal AK et al. i Aatresh AA et al. u [2, 6], koristio je objedinjavanje odvojive konvolucione piramide i objedinjavanje piramida po dimenzijama za zadatke segmentacije jezgara.

Cistanche kapsule

Predložena arhitektura

Za segmentaciju mikroskopskih slika, arhitektura koder-dekoder je najprikladnija jer ako enkoder ima redovne slojeve konvolucije i slojeve maksimalnog skupljanja, onda vrlo efikasno hvata kontekst u slici. Putanja dekodera predstavlja izlaz postepenom primjenom uzlaznog uzorkovanja, prikupljanjem relevantnih karakteristika iz enkodera i omogućavanjem precizne lokalizacije. Svaki od filtera na strani kodera DSREDN mreže prikazane na slici 1, prihvata ulaz fleksibilne veličine. primijenili smo redovnu (3 x 3) 2D standardnu ​​konvoluciju, normalizaciju serije i maksimalno objedinjavanje. Kako bismo izbjegli probleme sa zasićenjem i gubitak informacija dok se ulazi dublje u mrežu, vratili smo informacije nižeg sloja kreiranjem dodatne putanje paralelne s glavnom putanjom mreže. Ove dvije staze nisu u jakoj korelaciji jedna s drugom i time se izbjegavaju problemi s gradijentom koji nestaju. Za svaku od veličina filtera, cijela strana enkodera DSREDN mreže sastoji se od tri konvoluciona sloja paralelno s jednom zamršenom putanjom koja je usmjerena na protok kontekstualnije značajke u mreži. Pošto efikasnost putanje dekodera za generisanje konačnog izlaza zavisi od prikupljanja kontekstualnih karakteristika sa strane kodera, imamo malo drugačiji put na strani dekodera, za optimalnu obradu prikupljenih karakteristika. Ovim postupkom naša DSREDN mreža postaje široka i duboka umjesto tanka i duboka. DSREDN mreža obučena sa RGB slikama veličine (512 x 512 x 3). Pet faza putanje kodera koji ima pet različitih veličina filtera i odgovarajuću putanju dekodera sastoji se od (a) 2D konvolucije veličine kernela (3 x 3) sa ReLU aktivacijom (b) sloja visoke rezolucije (c) (2 x 2) max -pooling sloj u putanji kodera da se smanji prostorna veličina slike i odgovarajući (2 x 2) sloj za up-sampling na strani dekodera za prikupljanje kontekstualne karakteristike sa strane kodera operacijom spajanja (d) U završnoj fazi a (1 x 1 ) konvolucija se koristi za mapiranje veličine (512 x 512 x 16) u (512 x 512 x 1) sa sigmoidnom aktivacijom.

Zaključak

Ovaj rad je predložio arhitekturu baziranu na CNN-u nazvanu duboko strukturirana rezidualna enkoder-dekoder mreža (DSREDN), koja se bavila dva glavna problema u automatskoj segmentaciji jezgri. Prva velika briga bila je identifikacija jezgara sa histopatoloških slika koje imaju široko variran spektar s velikim brojem artefakata. Ovaj problem je riješen uvođenjem moćnog enkodera-dekodera koji ima dvije putanje koje imaju više diskriminativne sposobnosti i koje su bile u stanju da dohvate relevantne i kompaktne teksturalne informacije. Implementirane mreže efikasno koriste snagu rezidualnog učenja kao i arhitekturu koder-dekoder tako što ugrađuju široke i duboke mrežne puteve koji jačaju srednje karakteristike. Predložili smo efikasnu funkciju gubitka kroz pažljivo eksperimentisanje i analizu kako bismo segmentirali jezgre koje imaju složene ili nestajuće granice, što je bio drugi veliki problem u zadatku segmentacije. Koristili smo najpoželjnije matrice performansi F1-skor i AJI rezultat izvodeći eksperimente na tri različita javno dostupna H&E obojena histopatološka skupa podataka. Dobivena metrika kvaliteta i predviđena nuklearna područja predloženog okvira su bila bolja u odnosu na one u najsuvremenijim modelima.

Cistanche pilule

Iako je predloženi model dao odlične rezultate, prostor karakteristika se može dodatno obogatiti ugradnjom modula za ekstrakciju karakteristika visokih performansi. Takođe, predloženi metod se može generalizovati za rad na više modaliteta slike. Ova studija je binarna segmentacija histopatoloških slika, ovdje možemo samo segmentirati nuklearne regije. U budućnosti, ove nuklearne regije možemo klasificirati u njihove podtipove. Shoeibi A et al. u [32, 33], u kojima su razvijene generativne adversarijske mreže (GAN), rekurentne neuronske mreže (RNN), autoenkoderi (AE), konvolucione neuronske mreže (CNN), duboke neuronske mreže (DNN) i druge hibridne mreže za automatsko otkrivanje COVID-19 i multiple skleroze. U [18, 34], Khodatars M et al. i Sadeghi D et al. ilustrovao primjenjivost dubokog učenja za dijagnozu poremećaja iz autističnog spektra i otkrivanje bolesti šizofrenije. Ovi primjeri naglašavaju kako se područje kompjuterski potpomognutih dijagnostičkih sistema brzo mijenja i da još uvijek mogu postojati brojne aplikacije na koje još uvijek nisu fokusirani.

Kako Cistanchis poboljšava funkciju bubrega

Cistanche je ljekovita biljka koja se dugo koristi u tradicionalnoj kineskoj medicini za poboljšanje funkcije bubrega. Vjeruje se da ima različite prednosti zbog svojih aktivnih komponenti, kao što su feniletanoidni glikozidi i iridoidi.

Studije sugeriraju da Cistanche može promovirati funkciju bubrega poboljšavajući bubrežni protok krvi, smanjujući oksidativni stres i povećavajući proizvodnju faktora rasta koji podržavaju zdravlje bubrega. Osim toga, može pomoći u regulaciji krvnog tlaka i smanjenju upale, što je važan faktor za zdravlje bubrega.

Štoviše, Cistanche je pokazao potencijal u zaštiti od oštećenja bubrega uzrokovanih određenim lijekovima ili toksinima. Može imati zaštitni učinak na bubrege tako što inhibira upalne reakcije i smanjuje smrt stanica.

Međutim, važno je napomenuti da su potrebna dalja istraživanja kako bi se u potpunosti razumjeli mehanizmi i djelotvornost Cistanchea u poboljšanju funkcije bubrega. Kao i sa svakim biljnim lijekom, preporučljivo je konsultovati se s kvalificiranim zdravstvenim radnikom prije upotrebe u medicinske svrhe.

Reference

1. Albayrak A, Bilgin G (2019) Automatska segmentacija ćelija u histopatološkim slikama putem dvostepenih algoritama baziranih na superpikselima. 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) Efikasna arhitektura dubinskog učenja sa udruživanjem piramida po dimenzijama za segmentaciju jezgara histopatoloških slika. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: Duboka konvoluciona arhitektura kodera-dekodera za segmentaciju slike. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Usjeci sliva: prorede, šume najkraće staze i topološke slivove. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: duboke mreže svjesne kontura za preciznu segmentaciju žlijezda. Kompjuterski vid i prepoznavanje uzoraka. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Efikasna i robusna arhitektura dubokog učenja za segmentaciju histopatoloških slika bubrega i dojke. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) Duboko preneseni ASPPU-Net visoke rezolucije za segmentaciju jezgara histopatoloških slika. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Digitalna obrada slike, 3. izdanje. Prentice Hall, Njujork, Sjedinjene Američke Države. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Duboko rezidualno učenje za prepoznavanje slika. 2016 IEEE konferencija o kompjuterskom vidu i prepoznavanju obrazaca (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) Gusto povezane konvolucijske mreže. IEEE konferencija o kompjuterskom vidu i prepoznavanju obrazaca (CVPR), Honolulu. str. 2261–2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Asimetrične funkcije gubitka i duboke gusto povezane mreže za visoko neuravnoteženu segmentaciju medicinske slike: primjena za otkrivanje lezija multiple skleroze. U: IEEE Access, vol. 7, str. 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Konkurentna rezidualna neuronska mreža za klasifikaciju slika. ICT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Batch normalizacija: ubrzanje dubokog mrežnog treninga smanjenjem unutrašnjeg pomaka kovarijacije. Mašinsko učenje. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Crowdsourcing slika anotacija za detekciju i segmentaciju jezgra u računarskoj patologiji: evaluacija stručnjaka, automatizirane metode i gomila. U: Pacific Symposium on biocomputing (PSB), str. 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) Pregled funkcija gubitka za semantičku segmentaciju. [Online]. Dostupno: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Smanjenje Hausdorffove udaljenosti u segmentaciji medicinske slike s konvolucijskim neuronskim mrežama. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Skup podataka i tehnika generalizirane nuklearne segmentacije za računsku patologiju. 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 učenje za dijagnozu i rehabilitaciju poremećaja autističnog spektra zasnovanu na neuroima: pregled. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: Metoda za stohastičku optimizaciju. U: Međunarodna konferencija o predstavljanju učenja, vol 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: Robusna arhitektura dubokog učenja za segmentaciju jezgara histopatoloških slika raka jetre. 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) Robusna metoda za segmentaciju jezgara H&E obojenih histopatoloških slika. 7. IEEE međunarodna konferencija o obradi signala i integrisanim mrežama (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: potpuno konvolucione neuronske mreže za volumetrijsku segmentaciju medicinske slike, četvrta međunarodna konferencija o 3D viziji (3DV). Stanford, Kalifornija. str. 565–571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Arhitektura konvolucije-dekonvolucije sa modulom za udruživanje piramida za semantičku segmentaciju. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Automatska segmentacija klastera limfnih čvorova korištenjem holistički ugniježđenih neuronskih mreža i strukturirane optimizacije u CT slikama. U: Računanje medicinske slike i intervencija potpomognuta računarom – MICCAI 2016. Bilješke s predavanja iz informatike, vol 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845

25. Naylor P, Lae M, Reyal F, Walter T (2019) Segmentacija jezgara u histopatološkim slikama dubokom regresijom mape udaljenosti. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Konvolucijske mreže za segmentaciju biomedicinske slike. U: Proc. MICCAI. Springer, Minhen, Njemačka, str. 234–241

27. Slaoui M, Fiette L (2011) Histopatološke procedure: od uzorkovanja tkiva do histopatološke evaluacije. Methods Mol Biol (Protoc metoda) 691:69–82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Dvokanalni aktivni konturni model za segmentaciju megakariocitnih ćelija na histološkim slikama trefine koštane srži. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Tversky funkcija gubitka za segmentaciju slike korištenjem 3D potpuno konvolucionih dubokih mreža. U: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Switzerland, str. 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Generalizirano preklapanje kockica kao funkcija dubokog gubitka učenja za izrazito neuravnotežene segmentacije. U: Duboko učenje u analizi medicinske slike i multimodalnom učenju za podršku kliničkom odlučivanju. Springer, str. 240–248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Mreže usmjerene na pažnju: Učenje kako koristiti istaknute regije u medicinskim slikama. 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) Automatsko otkrivanje i predviđanje kovida-19 korištenjem tehnika dubokog učenja: pregled. Mašinsko učenje. 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) Primjena tehnika dubokog učenja za automatizirano otkrivanje multiple skleroze pomoću magnetne rezonance: A pregled, obrada slike i videa. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Pregled tehnika umjetne inteligencije za dijagnozu šizofrenije: metode snimanja magnetne rezonance , izazove i buduće radove. Mašinsko učenje. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Ponderi gubitka za poboljšanje neuravnotežene segmentacije moždane strukture koristeći potpuno konvolutivne mreže, zdravstvena zaštita. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Rezidualne mreže se ponašaju kao ansambli relativno plitkih mreža. Neural Inf Process Syst, str. 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K označava automatsku segmentaciju baziranu na grupisanju preklapajućih ćelijskih jezgara na citološkim slikama pleuralnog izljeva. Međunarodna konferencija o naprednim tehnologijama za komunikacije (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) Fino-zrnasta segmentacija korištenjem hijerarhijskih proširenih neuronskih mreža. U: Računanje medicinske slike i kompjuterski potpomognuta intervencija, vol 11073. Springer, Cham, pp 488-496

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

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

1 Odsjek za elektroniku i komunikacijsko inženjerstvo, Nacionalni institut za tehnologiju Karnataka, Surathkal, Mangaluru-575025, Karnataka, Indija

2 Odsjek za patologiju, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, Indija