Sügavstruktureeritud jääkkooder-dekoodervõrk, millel on uudne kaotusfunktsioon neerude ja rinna histopatoloogiliste piltide tuumade segmenteerimiseks

Abstraktne

Vähihaiguse diagnoosimise ja ravi parandamiseks on digitaalse patoloogia esimene samm hematoksüliini ja eosiiniga (H & E) värvitud raku tuumade automaatne segmenteerimine histopatoloogilistelt piltidelt. Kavandatav sügavstruktureeritud jääkkooder-dekoodri võrk (DSREDN) keskendub kahele aspektile: esiteks kasutas see tõhusalt kogu võrgus jääkühendusi ning pakub laia ja sügavat kodeerija-dekoodri teed, mille tulemuseks on asjakohase konteksti ja lokaliseeritud funktsioonide jäädvustamine. Teiseks käsitletakse tuvastatud tuumade kadunud piiri, pakkudes välja tõhusa kadufunktsiooni, mis treenib paremini meie pakutud mudelit ja vähendab valeennustust, mis on ebasoovitav, eriti tervishoiurakendustes. Kavandatavas arhitektuuris katsetati kolme erineva avalikult kättesaadava H&E värvitud histopatoloogilise andmekogumiga, nimelt: (I) neeru (RCC) (II) kolmekordne negatiivne rinnavähk (TNBC) (III) MoNuSeg-2018. Oleme arvesse võtnud F1-skoori, Jaccardi koondindeksit (AJI), parameetrite koguarvu ja FLOP-e (ujukomaoperatsioonid), mis on enamasti eelistatud jõudlusmõõturid tuumade segmenteerimise võrdlemiseks. Tuumade segmenteerimise hinnatud skoor näitas, et kavandatud arhitektuur saavutas märkimisväärse varu viie tipptasemel süvaõppe mudeliga võrreldes kolme erineva histopatoloogilise andmekogumiga. Visuaalsed segmenteerimise tulemused näitavad, et pakutud DSREDN-mudel segmenteerib tuumapiirkonnad täpselt rohkem kui nüüdisaegsete meetodite puhul.

Märksõnad

Neeruvähi diagnoos ja prognoos · Tuumade segmenteerimine · Jääkõpe · Histopatoloogilised pildid.

Cistanche'i mõjude nägemiseks klõpsake siin

Sissejuhatus

Hiljutised uurimissuundumused näitavad, et süvaõppe raamistik toimis segmenteerimise, tuvastamise ja muude arvutinägemisega seotud ülesannete puhul väga hästi. Viimasel kümnendil on uut tüüpi arvutussüsteemide edenedes välja töötatud õiged strateegiad ülepaigutamise probleemide lahendamiseks väga sügavate võrkude koolitamiseks ja palju muudatusi, mis sobivad süvaõppevõrkudele. Hematoksüliini ja eosiini (H & E) segmenteerimine värvitud histopatoloogiliste piltide põhjal on kunstliku patoloogia esmane eeltingimus. Histopatoloogilise slaidi preparaate on käsitlenud Slaoui M et al. artiklis [27] järgmiste sammudega: (I) kudede kogumine (II) fikseerimine (III) kinnistamine (IV) sektsioon (V) parafiini eemaldamine (VI) värvimine (VII) slaidi digiteerimine kogu slaidi kujutisega (WSI) . On mitmeid kudede kogumise meetodeid, milleks on peen nõela aspiratsioon, biopsia nõel, ekstsisiooniline biopsia jne. Suuremal biopsial on rohkem teavet kui väikese nõela biopsial, kuna see säilitab histopatoloogiliste slaidide suure rakulise konteksti. Kudede fikseerimine on vajalik keemiliseks ja füüsikaliseks stabiliseerimiseks. Kinnitamine on vajalik, et anda koele eriline kuju, nii et masinad saaksid seda kergesti lõigata. Sektsioonide lõikamine on vajalik kogu kolmemõõtmelise koealase teabe saamiseks paljude õhukeste slaidide ja kahemõõtmelise teabe kujul. Parafiini eemaldamine lõigatud koest on oluline, ilma parafiini eemaldamiseta võib kude mõnes osas veidi udune välja näha. Slaidide värvimine on vajalik, kuna see ei ole ereda väljaga mikroskoopias nähtav ega läbipaistev. Histopatoloogiliste piltide jaoks kõige laialdasemalt kasutatavad peitsid on hematoksüliin ja eosiin. Segmenteerimisülesandeid saab liigitada traditsioonilisteks või käsitsi valmistatud funktsioonide eraldamise tehnikateks ja CNN-põhisteks süvaõppe lähenemisviisideks. Traditsioonilised segmenteerimismeetodid põhinevad enamasti sarnasuspõhisel lähenemisel, katkendlikkusel põhineval lähenemisel, valgala tehnikatel, aktiivsetel kontuurimeetoditel ja nende variantidel, superpikslitel ja klastripõhistel meetoditel jne. Sarnasuspõhine lähenemine, mida on käsitlenud Gonzalez RC et al. aastal [8], põhineb lokaalsel lävisel, globaalsel lävel, adaptiivsel lävel, Otsu lävimisel, piirkonna kasvatamisel, piirkonna jagamisel ja ühendamisel, kus need meetodid püüavad sarnaseid piksleid grupeerida ja segmenteerida. Lamedate orgudega kujutiste histogrammide puhul ei tööta sarnasuspõhine lähenemine hästi ja läviväärtuse vale valik võib sel juhul põhjustada üle- ja alasegmentatsiooni. Katkestustepõhine lähenemine püüab segmenteerida neid piksleid, mis on mingil viisil eraldatud, näiteks punktid, jooned ja servad, ning see on maskitöötlusel põhinev lähenemine. See meetod nõuab erinevatel etappidel erinevaid operaatoreid. Cousty J et al. pakkus aastal [4] välja veelahkme segmenteerimise meetodi, mis põhineb jagamisel, ühendamisel ja markeriga juhitaval veelahel. Vallameetodil tuvastatud piirid sõltuvad raku keerukusest. Laul T jt. pakkusid välja aktiivse kontuuride segmenteerimise [28], kus nad arvestavad objekti piiride tuvastamiseks intensiivsuse teavet ja kohalikku servateavet. Superpikslite segmenteerimise meetod, mida kasutasid Albayrak A et al. [1], põhineb ühendatud pikslite klastril, millel on identsed omadused. See võtab arvesse naaberpikslite värvi ja koordineerib teavet. See meetod annab paremat piirkondlikku teavet, kuid ei ole rakkude segmenteerimise korral eriti tõhus. Klastritepõhine segmenteerimine, mille on välja pakkunud Win KY et al. aastal [37], teostab rühmitamist nende sarnasuse alusel. Hiljutistes uurimistöödes teatas enamik autoreid, et sügaval konvolutsioonilisel närvivõrgul põhinev segmenteerimistehnika toimib palju paremini kui tavaline segmenteerimismeetod. CNN-põhise lähenemisviisi kokkuvõtlik ülevaade on esitatud 2. osas. Süvaõppe segmenteerimise meetodid kannatavad samuti paljude väljakutsete all. Kui me need väljakutsed kategoriseerime, on see järgmiste aspektide alla.

1. Kudede välimuse suurte erinevuste ning kudede klasside ja alamklasside mitmekesise spektri tõttu on seda raske ära tunda.

2. Keeruliste piiride, kattuvate piiride ja kaduvate piiride segmenteerimine ei ole lihtne ülesanne.

3. Suureks väljakutseks on ka põhitõe ettevalmistamine juhendatud õppe puhul. Kogenud patoloogide järelevalve on vajalik, kuna ennustuse täpsus sõltub kommenteeritud põhitõest.

Komplekssete histopatoloogiliste kujutiste korral on tavameetoditel kas üle- või alasegmentatsioon. Kavandatud lähenemisviis keskendub kattuvate ja kadunud tuumapiirkondade eraldamisele histopatoloogilistest piltidest. Selleks, et lahendada probleeme, mis on seotud tuumade segmenteerimisega histopatoloogilistest piltidest, on meie panus selles artiklis järgmine.

1. Mitmetasandiliste vahefunktsioonide tugevdamiseks kasutas meie pakutud DSREDN-i mudel tõhusalt ära jääkõppe tugevust.

2. Empiiriliste tõendite ning hoolika katsetamise ja analüüsi abil pakkusime välja uudse kadufunktsiooni. Visuaalsed tulemused ja jõudlusmaatriksid näitavad, et meie kadufunktsioon treenib mudelit paremini ja segmenteerib tuumapiirkondi täpselt võrreldes nüüdisaegsete meetoditega.

Cistanche tubulosa

Seotud tööd

Suurem osa rakkude segmenteerimise ülesande CNN-i arhitektuurist koosneb koodri-dekoodri teest funktsioonide eraldamiseks. Suur osa hiljutistest uuringutest kasutab palju potentsiaalseid võimalusi, nagu treeningstrateegiate parandamine, liigsobivusprobleemide käsitlemine, paremad optimeerimismeetodid ja palju muid strateegiaid, et saavutada parem ennustustäpsus. Paljud autorid teatasid siiski oma tulemusest, mis on väga tõhus, kuid täpne ja tõhus segmenteerimisalgoritm on histopatoloogiliste piltide keerukuse tõttu endiselt avatud uurimistöö. Üks Ronnebergeri jt olulisi panuseid. aastal [26], nimega UNet, annab väga hea suuna ja dramaatilise läbimurde biomeditsiinilise kujutise segmenteerimise valdkonnas. UNet on sümmeetriline kodeerija-dekoodri konvolutsioonivõrk ja sellel on suur hulk funktsioonikanaleid, mis võimaldavad eraldada funktsioone sügavama võrgu kõrgemale kihile. Korduv (3 x 3) konvolutsioonituuma rakendamine, millele järgneb ReLU aktiveerimine, (2 x 2) max-pooling ja (2 x 2) ülesvõte sammuga 2 ning (1 x 1) konvolutsioon, millele järgneb sigmoidne aktiveerimine viimane kiht, võrgus kokku 23 kihti. [36], Veit A et al. mõistsid oma katsega, et kui võrgustikul on radade kogum, siis piisab treeningu ajal lühemast teest või ei ole treeningu ajal vaja väga sügavat rada. Need mitmed teed ei sõltu üksteisest tugevalt ja nende sujuv koosseos mitme kehtiva teega suurendab võrgu jõudlust. Artiklis [22] on Milletari F et al. pakkus välja kodeerija-dekoodri konvolutsioonivõrgu kolmemõõtmeliste andmete jaoks, kasutades kadufunktsioonina täringukadu. Nende empiiriline hindamine saavutab tugeva tasakaalustamatuse andmestiku parema jõudluse. [24], Nogues I et al. pakkus välja arhitektuuri lümfisõlmede tuvastamiseks kahe täielikult pesastatud järelevalvega konvolutsioonivõrgu abil ja struktureeritud tingimusliku juhusliku välja optimeerimise strateegia. Teabe degradeerumist sügavamas võrgus käsitlesid Kaiming He et al. aastal [9], võttes kasutusele sügava jääkvõrgu, mida on lihtsam treenida ja optimeerida. Jääkühendus realiseeritakse ühe või mitme kihi vahelejätmisega, et taastada teabevoog sügavas võrgus. Histoloogiliste objektide segmenteerimiseks ja tuvastamiseks on Chen H et al. aastal [5] tutvustas kontuuriteadlikku mudelit, mis ekstraheerib mitmetasandilist teavet täiendava järelevalve all. [10] Huang G et al. pakkus välja konvolutsioonivõrgu, mis tugevdab sisendfunktsioonide kaardi üldist voogu, söötes nii eelneva kihi sisendit kui ka algset sisendit. Nende katse näitab ka, et tänu identiteedi kaardistamise integreerimisele õpib mudel kompaktsemaid funktsioone ja vähendab kaduva gradiendi probleemi. Tasakaalustamata andmekogumi puhul on ennustused kallutatud suure täpsuse ja vähese meeldetuletuse poole, mis ei ole talutav, eriti meditsiinivaldkonnas. Selle probleemiga tegelevad Salehi SM jt. aastal [29], mis treenis sügavat võrku isegi väga tasakaalustamata andmekogumiga ja käsitles tõhusalt seal, kus valenegatiivne ennustus on palju ohtlikum kui valepositiivne. Sudre CH et al. uurinud kaotusfunktsioonide käitumist, nagu kaalutud ristentroopia ja täringukaotus erinevate õppimiskiirustega. aastal [30] meditsiiniliste piltide ja majaandmete kogumite kohta. Nende katses leiti, et kui tasakaalustamatuse tase suureneb, on mõõtmispõhine kahjufunktsioon tõhusam. Mälu ja aja poolest väga tõhus maantee- ja sisestseenide semantilise segmenteerimise jaoks, kodeerija-dekoodri arhitektuur, mida kutsuvad Badrinarayanan V et al. SegNet. aastal [3]. SegNet loob hõredate funktsioonide dekoodri, mis salvestab ülekantud kogumi ja selle kodeerija madalama eraldusvõimega sisendi. Piirilähedaste piirkondade täpseks segmenteerimiseks Zhou S et al. [38], kasutas dilateeritud konvolutsiooniplokiga jääkvõrku. Nad kasutavad tähendusliku semantilise teabe hankimiseks paralleelselt palju hierarhilisi plokke. Klassi tasakaalustamatuse probleemide lahendamiseks või valenegatiivsete prognooside vähendamiseks tervishoius pakub Hashemi SR artiklis [11] välja Tversky indeksipõhise asümmeetrilise sarnasuse kaoga 3D-tiheda CNN-i, mis treenib võrku väikseima pinnakaugusega. Keeruline piiridega seotud segmenteerimisprobleem, mida käsitlesid Naylor P et al. aastal [25], formuleerides tuumasisesel kaugusel põhineva kadufunktsiooni. Nende kodeerija-dekoodri mudel ületab FCN, FCN plus PP, Mask R-CNN, U-Net ja U-Net plus PP, mida katsetasid TNBC ja MoNuSegi andmekogumitega. Tähenduslikud laiendused standardses koodris-dekooderis, lisades Schlemper J jt lisamooduli, mida nimetatakse tähelepanuväravaks. aastal [31] ning tähelepanu ja jääkmehhanismi Lal S et al. aastal [20], kus võrk on koolitatud nii, et see summutab ebaolulised funktsioonid, tõstes samal ajal esile tähendusrikka funktsiooni. Teestseeni segmenteerimiseks Malekijoo A et al. aastal [23] kasutas autoenkoodril põhinevat mudelit, kus kohaliku funktsiooni tugevdamiseks rakendati konvolutsiooni, dekonvolutsiooni ja püramiidide ühendamist. Mikroskoopiliste, MR- ja CT-piltide segmenteerimiseks kasutas Zhou S et al. kodeerija-dekoodri arhitektuur. aastal [39] seostasid keerukate piiride täpseks leidmiseks tähenduslikud ühendused. Tuumade segmenteerimiseks patoloogia piltidel on Lal S et al. mudel [21], koosneb adaptiivsest värvidekonvolutsioonist, mitmeastmelisest lävimisest, millele järgnevad morfoloogilised toimingud ja muudest järeltöötlusetappidest. Meditsiiniliste piltide segmenteerimiseks on Karimi D jt uudne kadufunktsioon. aastal [16] hindas Hausdorffi kaugust morfoloogilise operatsioonimeetodi, kauguste teisendusmeetodi ja erineva raadiusega ringikujuliselt keerdunud tuumade abil. Kasutades Hausdorffi kauguse vähendamise meetodeid, treenivad nad CNN-i erinevate mikroskoopiapiltide jaoks ja võrdlevad nende tulemusi tavaliselt kasutatava kadufunktsiooniga. Hanif MS et al. aastal [12] pakkus välja konkurentsivõimeline jääkvõrk, virnastades mitu jääküksust, mida nimetatakse laiaks võrguks. Nende uuring jõudis järeldusele, et nii laia võrgu jõudlus on parem kui sügav ja õhuke võrk. Chanchal AK et al. ja Aatresh AA et al. [2, 6] kasutas tuumade segmenteerimise ülesannete jaoks eraldatavat konvolutsioonpüramiidi ühendamist ja dimensioonipõhist püramiidi ühendamist.

Cistanche kapslid

Kavandatav arhitektuur

Mikroskoopiapiltide segmenteerimiseks sobib kõige paremini kodeerija-dekoodri arhitektuur, sest kui kodeerijal on regulaarsed konvolutsioonikihid ja max-pooling-kihid, jäädvustab see pildi konteksti väga tõhusalt. Dekoodri tee esitab väljundi, rakendades järk-järgult üles diskreetimist, kogudes kooderist asjakohaseid funktsioone ja võimaldades täpset lokaliseerimist. Kõik joonisel fig 1 näidatud DSREDN-võrgu kodeerija poolel olevad filtrid aktsepteerivad paindliku suurusega sisendit. oleme rakendanud tavalist (3 x 3) 2D standardkonvolutsiooni, partii normaliseerimist ja max-poolingut. Küllastusprobleemide ja teabe kadumise vältimiseks võrku süvenedes taastasime madalama kihi teabe, luues võrgu põhiteega paralleelse täiendava tee. Need kaks teed ei ole üksteisega tugevas korrelatsioonis ja see väldib gradiendiprobleemide kadumist. Iga filtri suuruse puhul koosneb kogu DSREDN-võrgu kodeerija pool kolmest paralleelsest keerdkihist koos ühe keerdunud teega, mis keskendus võrgu kontekstuaalsema funktsiooni voolule. Kuna dekoodri tee tõhusus lõppväljundi genereerimiseks sõltub kodeerija poolelt kontekstuaalsete funktsioonide kogumisest, on meil kogutud funktsiooni optimaalseks töötlemiseks dekoodri poolel veidi erinev tee. Selle protseduuriga muutub meie DSREDN-võrk õhukeseks ja sügavaks laiaks ja sügavaks. DSREDN-võrk, mis on koolitatud RGB-kujutistega (512 x 512 x 3). Viis kodeerimistee etappi, millel on viis erinevat filtri suurust ja vastav dekoodri tee, koosnevad (a) tuuma suuruse 2D-konvolutsioonist (3 x 3) koos ReLU aktiveerimisega (b) kõrge eraldusvõimega kihist (c) (2 x 2) max. - koondamiskiht kodeerija teekonnas, et vähendada kujutise ruumilist suurust ja vastav (2 x 2) üles diskreetimiskiht dekoodri poolel, et koguda kodeerija poolelt kontekstuaalne funktsioon konkateneerimisoperatsiooni abil (d) Viimases etapis a (1 x 1 ) konvolutsiooni kasutatakse suuruse (512 x 512 x 16) kaardistamiseks (512 x 512 x 1) sigmoidse aktiveerimisega.

Järeldus

Selles artiklis pakuti välja CNN-põhine arhitektuur, mida nimetatakse sügavstruktureeritud jääkkooder-dekoodri võrguks (DSREDN), mis käsitles kahte peamist tuumade automaatse segmenteerimise probleemi. Esimene suur probleem oli tuvastada histopatoloogilistelt piltidelt tuumad, millel on väga mitmekesine spekter ja suur hulk artefakte. Selle probleemi lahendamiseks võeti kasutusele võimas kodeerija-dekooder, millel on kaks teed, millel on suurem eristusvõime ja mis suutsid hankida asjakohast ja kompaktset tekstuuriteavet. Rakendatud võrgud kasutavad tõhusalt nii jääkõppe tugevust kui ka kodeerija-dekoodri arhitektuuri, kaasates laiad ja sügavad võrguteed, mis tugevdavad vahepealseid funktsioone. Me pakkusime välja tõhusa kadufunktsiooni hoolika katsetamise ja analüüsi abil, et segmenteerida keeruliste või kaduvate piiridega tuumad, mis olid segmenteerimisülesande teine ​​​​peamine probleem. Oleme kasutanud kõige eelistatumaid jõudlusmaatriksiid F1-skoor ja AJI skoori, tehes katseid kolme erineva avalikult kättesaadava H&E värvitud histopatoloogilise andmekogumiga. Kavandatud raamistiku saadud kvaliteedimõõdikud ja prognoositud tuumapiirkonnad olid tipptasemel mudelite omadega võrreldes paremad.

Cistanche pillid

Kuigi pakutud mudel andis suurepäraseid tulemusi, saab funktsiooniruumi veelgi rikastada, lisades suure jõudlusega funktsioonide eraldamise mooduli. Samuti saab pakutud meetodit üldistada, et see töötaks rohkemate kujutise modaalsustega. See uuring on histopatoloogiliste piltide binaarne segmenteerimine, siin saame segmenteerida ainult tuumapiirkonnad. Tulevikus saame need tuumapiirkonnad liigitada nende alamtüüpidesse. Shoeibi A jt teatasid vähestest uuenduslikest rakendustest erinevatel pildimeetoditel. aastal [32, 33], milles on välja töötatud generatiivsed vastandvõrgud (GAN), korduvad närvivõrgud (RNN), autoencoderid (AE), konvolutsioonilised närvivõrgud (CNN), sügavad närvivõrgud (DNN) ja muud hübriidvõrgud. COVID-19 ja hulgiskleroosi automaatne tuvastamine. Artiklis [18, 34] on Khodatars M et al. ja Sadeghi D et al. illustreeris süvaõppe rakendatavust autismispektri häire diagnoosimisel ja skisofreeniahaiguse tuvastamisel. Need näited näitavad, kuidas arvutipõhiste diagnostikasüsteemide valdkond muutub kiiresti ja et endiselt võib olla palju rakendusi, millele pole veel keskendutud.

Kuidas Cistanchis parandab neerufunktsiooni

Cistanche on ravimtaim, mida on traditsioonilises hiina meditsiinis pikka aega kasutatud neerufunktsiooni parandamiseks. Arvatakse, et sellel on oma aktiivsete komponentide, näiteks fenüületanoidglükosiidide ja iridoidide tõttu mitmeid eeliseid.

Uuringud näitavad, et Cistanche võib soodustada neerufunktsiooni, parandades neerude verevoolu, vähendades oksüdatiivset stressi ja suurendades neerude tervist toetavate kasvufaktorite tootmist. Lisaks võib see aidata reguleerida vererõhku ja vähendada põletikku, mis on neerude tervise jaoks olulised tegurid.

Lisaks on Cistanche näidanud potentsiaali kaitsta teatud ravimite või toksiinide põhjustatud neerukahjustuste eest. Sellel võib olla neerudele kaitsev toime, inhibeerides põletikulisi reaktsioone ja vähendades rakusurma.

Siiski on oluline märkida, et Cistanche'i mehhanismide ja efektiivsuse täielikuks mõistmiseks neerufunktsiooni parandamisel on vaja täiendavaid uuringuid. Nagu kõigi taimsete ravimite puhul, on enne selle kasutamist meditsiinilistel eesmärkidel soovitatav konsulteerida kvalifitseeritud tervishoiutöötajaga.

Viited

1. Albayrak A, Bilgin G (2019) Automaatne rakkude segmenteerimine histopatoloogilistes piltides kaheastmeliste superpikslipõhiste algoritmide abil. 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) Efficient deep learning architecture with dimension-wise pyramid pooling for nuclei segmentation of histopatology images. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: sügav konvolutsiooniline kodeerija-dekoodri arhitektuur pildi segmenteerimiseks. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Valla kärped: harvendusraie, lühima tee metsad ja topoloogilised vesikonnad. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: sügavad kontuuriteadlikud võrgud näärmete täpseks segmenteerimiseks. Arvutinägemine ja mustrituvastus. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Tõhus ja jõuline süvaõppe arhitektuur neerude ja rindade histopatoloogiliste piltide segmenteerimiseks. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) Kõrge eraldusvõimega sügav ülekantud ASPPU-Net histopatoloogiliste piltide tuumade segmenteerimiseks. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Digitaalne pilditöötlus, 3. väljaanne. Prentice Hall, New York, USA. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Deep residual learning for image discovery. IEEE 2016. aasta arvutinägemise ja mustrituvastuse (CVPR) konverents, Las Vegas, NV. lk 770–778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Tihedalt ühendatud konvolutsioonivõrgud. IEEE arvutinägemise ja mustrituvastuse (CVPR) konverents, Honolulu. lk 2261–2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Asümmeetrilised kadufunktsioonid ja sügavad tihedalt ühendatud võrgud väga tasakaalustamata meditsiiniliste kujutiste segmenteerimiseks: rakendus hulgiskleroosi kahjustuse tuvastamiseks. In: IEEE Access, vol 7, lk 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Konkurentsivõimeline jääknärvivõrk kujutiste klassifitseerimiseks. IKT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Partii normaliseerimine: süvavõrgu koolituse kiirendamine sisemise ühismuutuja nihke vähendamise kaudu. Masinõpe. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Crowdsourcing pildi annotatsioon tuuma tuvastamiseks ja segmenteerimiseks arvutuspatoloogias: ekspertide, automatiseeritud meetodite ja rahvahulga hindamine. In: Pacific Symposium on biocomputing (PSB), lk 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) Semantilise segmenteerimise kaotusfunktsioonide uuring. [Võrgus]. Saadaval: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Hausdorffi kauguse vähendamine meditsiinilise kujutise segmenteerimisel konvolutsiooniliste närvivõrkudega. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Andmestik ja tehnika üldistatud tuumasegmenteerimiseks arvutuspatoloogia jaoks. 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 Autismispektri häire neuropildil põhineva diagnoosimise ja rehabilitatsiooni õpe: ülevaade. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: Stohhastilise optimeerimise meetod. 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 arhitektuur maksavähi histopatoloogiliste piltide tuumade segmenteerimiseks. 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) Tugev meetod H&E värvitud histopatoloogiliste kujutiste tuumade segmenteerimiseks. 7. IEEE rahvusvaheline signaalitöötluse ja integreeritud võrkude konverents (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: täielikult konvolutsioonilised närvivõrgud mahulise meditsiinilise kujutise segmenteerimiseks, neljas rahvusvaheline konverents 3D-nägemise (3DV) teemal. Stanford, CA lk 565–571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Konvolutsiooni-dekonvolutsiooni arhitektuur koos püramiidi ühendamise mooduliga semantilise segmenteerimise jaoks. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Automaatne lümfisõlmede klastri segmenteerimine, kasutades terviklikult pesastatud närvivõrke ja struktureeritud optimeerimist CT-piltidel. In: Medical image computing and computer assisted intervence – 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 regresion of the distance map. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Konvolutsioonilised võrgud biomeditsiinilise kujutise segmenteerimiseks. In: Proc. MICCAI. Springer, München, Saksamaa, lk 234–241

27. Slaoui M, Fiette L (2011) Histopatoloogilised protseduurid: koeproovide võtmisest histopatoloogilise hindamiseni. Methods Mol Biol (Methods Protoc), 691:69-82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Kahekanaliline aktiivne kontuurimudel megakarüotsüütiliste rakkude segmenteerimiseks luuüdi trefiini histoloogiapiltidel. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Tversky kadufunktsioon pildi segmenteerimiseks, kasutades 3D-täielikult konvolutsioonilisi süvavõrke. In: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Šveits, lk 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Üldised täringud kattuvad sügava õppimise kadumise funktsioonina väga tasakaalustamata segmentatsioonide puhul. Artiklis: Meditsiinilise kujutise analüüsi süvaõpe ja multimodaalne õpe kliiniliste otsuste toetamiseks. Springer, lk 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-19 automaatne tuvastamine ja prognoosimine süvaõppetehnikate abil: ülevaade. Masinõpe. 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) Süvaõppe tehnikate rakendused automatiseeritud hulgiskleroosi tuvastamiseks magnetresonantstomograafia abil: A ülevaade, pildi- ja videotöötlus. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Ülevaade tehisintellekti tehnikatest skisofreenia diagnoosimiseks magnetresonantstomograafia meetoditel: , väljakutsed ja tulevased tööd. Masinõpe. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Kaotuse kaalud tasakaalustamata ajustruktuuri segmenteerimise parandamiseks, kasutades täielikult konvolutsioonivõrke, tervishoidu. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Jääkvõrgud käituvad nagu suhteliselt madalate võrkude ansamblid. Neural Inf Process Syst lk 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K keskmine klastritepõhine automatiseeritud segmenteerimine kattuvate raku tuumade pleuraefusioon tsütoloogia pilte. Rahvusvaheline side arenenud tehnoloogiate (ATC) konverents. lk 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 hierarical diated neuro networks. In: Medical image computing and computer assisted intervention, vol 11073. Springer, Cham, lk 488-496

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

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

1 Elektroonika- ja sidetehnika osakond, Riiklik Tehnoloogiainstituut Karnataka, Surathkal, Mangaluru-575025, Karnataka, India

2 Patoloogia osakond, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, India