Rețea de codificator-decodor rezidual structurat profund, cu o funcție nouă de pierdere pentru segmentarea nucleelor ​​a imaginilor histopatologice ale rinichilor și sânilor

Abstract

Pentru a îmbunătăți procesul de diagnostic și tratament al bolii canceroase, segmentarea automată a nucleelor ​​celulare colorate cu hematoxilină și eozină (H & E) din imaginile histopatologice este primul pas în patologia digitală. Rețeaua de decodor-decodor reziduală structurată profundă (DSREDN) propusă se concentrează pe două aspecte: în primul rând, a utilizat în mod eficient conexiunile reziduale în întreaga rețea și oferă o cale largă și profundă de encoder-decodor, care are ca rezultat capturarea contextului relevant și a caracteristicilor mai localizate. În al doilea rând, limita dispărută a nucleelor ​​detectate este abordată prin propunerea unei funcții eficiente de pierdere care antrenează mai bine modelul propus și reduce predicția falsă, care este nedorită, în special în aplicațiile de asistență medicală. Arhitectura propusă a experimentat pe trei seturi de date histopatologice colorate cu H&E disponibile public și anume: (I) Rinichi (RCC) (II) Cancer de sân triplu negativ (TNBC) (III) MoNuSeg-2018. Am luat în considerare scorul F1-, Indexul Jaccard agregat (AJI), numărul total de parametri și FLOP-urile (operații cu virgulă mobilă), care sunt în mare parte valorile de măsurare a performanței preferate pentru compararea segmentării nucleelor. Scorul evaluat al segmentării nucleelor ​​a indicat că arhitectura propusă a atins o marjă considerabilă peste cinci modele de învățare profundă de ultimă generație pe trei seturi de date histopatologice diferite. Rezultatele segmentării vizuale arată că modelul DSREDN propus segmentează cu precizie regiunile nucleare mai mult decât cele ale metodelor de ultimă generație.

Cuvinte cheie

Diagnosticul și prognosticul cancerului renal · Segmentarea nucleelor ​​· Învățare reziduală · Imagini histopatologice.

Click aici pentru a cunoaste efectele Cistanche

Introducere

Tendințele recente de cercetare arată că cadrul de învățare profundă a funcționat foarte bine pentru segmentare, detectare și alte sarcini de viziune computerizată. În ultimul deceniu, odată cu avansarea noilor tipuri de sisteme de calcul, strategii adecvate pentru a gestiona problemele de supraadaptare pentru a antrena rețele foarte profunde și o mulțime de schimbări care sunt potrivite pentru rețelele de învățare profundă. Segmentarea hematoxilinei și eozinei (H & E) din imaginile histopatologice colorate este condiția prealabilă primară în patologia artificială. Preparatele de lame de histopatologie sunt discutate de Slaoui M et al. în [27], prin următorii pași: (I) Colectarea țesuturilor (II) Fixarea (III) Înglobarea (IV) Secționarea (V) Deparafinarea (VI) Colorarea (VII) Digitizarea lamei prin imagistica întregii lame (WSI) . Există mai multe metode de colectare a țesuturilor care sunt aspirația cu ac fin, ac de biopsie, biopsie excizială etc. O biopsie mai mare are mai multe informații decât o biopsie cu ac mic, deoarece păstrează contextul celular mare al lamelor histopatologice. Fixarea țesutului este necesară pentru stabilizarea chimică și fizică. Încorporarea este necesară pentru a da o formă particulară țesutului, astfel încât să poată fi tăiat cu ușurință de către mașini. Secționarea este necesară pentru a obține toate informațiile tridimensionale ale țesuturilor sub formă de multe diapozitive subțiri și informații bidimensionale. Îndepărtarea parafinei din țesutul secționat este importantă, fără deparafinare, țesutul poate părea puțin neclar în unele porțiuni. Colorarea lamelor de țesut este necesară, deoarece nu este vizibilă sau cam transparentă la microscopia cu câmp luminos. Cele mai utilizate colorații pentru imaginile histopatologice sunt hematoxilina și eozina. Sarcinile de segmentare pot fi clasificate în tehnici tradiționale sau artizanale de extracție a caracteristicilor și abordări de deep learning bazate pe CNN. Metodele tradiționale de segmentare se bazează în mare parte pe abordare bazată pe similaritate, abordare bazată pe discontinuitate, tehnici de bazin, metode active de contur și variantele acestora, metode bazate pe superpixeli și clustering etc. Abordarea bazată pe similaritate discutată de Gonzalez RC și colab. în [8], se bazează pe thresholding local, thresholding global, thresholding adaptiv, thresholding lui Otsu, creșterea regiunii, împărțirea regiunii și fuziunea, unde aceste metode încearcă să grupeze și să segmenteze pixeli similari. Pentru histogramele de imagine care au văi plate, abordarea bazată pe similitudine nu funcționează bine și selectarea greșită a valorii de prag poate duce la suprasegmentare și subsegmentare în acest caz. Abordarea bazată pe discontinuitate încearcă să segmenteze acei pixeli care sunt izolați într-un fel cum ar fi puncte, linii și margini și este o abordare bazată pe procesarea măștilor. Această metodă necesită diferiți operatori în diferite etape. Cousty J și colab. a propus o metodă de segmentare a bazinului hidrografic în [4], bazată pe împărțirea, îmbinarea și baza controlată de markeri. Limitele detectate în metoda bazinului hidrografic depind de complexitatea celulei. Song T și colab. au propus segmentarea activă a conturului în [28], unde au în vedere informațiile de intensitate și informațiile de margine locală pentru detectarea limitelor obiectelor. Metoda de segmentare a superpixelilor folosită de Albayrak A et al. în [1], se bazează pe grupul de pixeli conectați având caracteristici identice. Ia în considerare culoarea și coordonatele pixelilor vecini. Această tehnică oferă informații regionale mai bune, dar nu este foarte eficientă în cazul segmentării celulare. Segmentarea bazată pe clustere propusă de Win KY și colab. în [37], realizează gruparea pe baza asemănării lor. În cercetările recente, majoritatea autorilor au raportat că tehnica de segmentare bazată pe o rețea neuronală convoluțională profundă are performanțe mult mai bune decât abordarea de segmentare convențională. O revizuire concisă a abordării bazate pe CNN este prezentată în Secțiunea 2. Metodele de segmentare a învățării profunde suferă, de asemenea, de multe provocări. Dacă vom clasifica aceste provocări, acestea vor intra în următoarele aspecte.

1. Din cauza variațiilor mari ale aspectului țesuturilor și a unui spectru variat de clase și subclase de țesuturi, este dificil de recunoscut.

2. Segmentarea granițelor complexe, a granițelor suprapuse și a granițelor care dispar nu este o sarcină ușoară.

3. Pregătirea adevărului de bază în cazul învățării supravegheate este, de asemenea, o mare provocare. Supravegherea patologilor cu experiență este necesară, deoarece acuratețea predicției depinde de adevărul de teren adnotat.

În cazul imaginilor histopatologice complexe, metodele convenționale suferă fie suprasegmentare, fie subsegmentare. Abordarea propusă se concentrează pe separarea regiunilor nucleare suprapuse și dispărute de imaginile histopatologice. Pentru a aborda provocările în segmentarea nucleelor ​​din imaginile histopatologice, contribuțiile noastre în această lucrare sunt următoarele.

1. Pentru a consolida caracteristicile intermediare pe mai multe niveluri, modelul nostru DSREDN propus a folosit eficient puterea învățării reziduale.

2. Prin dovezi empirice și experimentare și analiză atentă, am propus o nouă funcție de pierdere. Rezultatele vizuale și matricele de performanță indică faptul că funcția noastră de pierdere antrenează mai bine modelul și segmentează cu precizie regiunile nucleare în comparație cu metodele de ultimă generație.

Cistanche tubulosa

Lucrări conexe

Cea mai mare parte a arhitecturii CNN pentru sarcina de segmentare a celulei constă într-o cale de codificare-decodor pentru extragerea caracteristicilor. O mare parte din cercetările recente utilizează o mulțime de oportunități potențiale, cum ar fi îmbunătățirea strategiilor de antrenament, gestionarea problemelor de supraadaptare, metode mai bune de optimizare și multe alte strategii pentru a obține o precizie mai bună a predicțiilor. Cu toate acestea, mulți autori au raportat rezultatul lor, care este foarte eficient, dar un algoritm de segmentare precis și eficient este încă o cercetare deschisă datorită complexității imaginilor histopatologice. Una dintre contribuțiile semnificative ale lui Ronneberger și colab. în [26], numit UNet, oferă o direcție foarte bună și o descoperire dramatică în domeniul segmentării imaginilor biomedicale. UNet este o rețea convoluțională de codificator-decodor simetric și are un număr mare de canale de caracteristici care permit extragerea caracteristicilor la nivelul superior într-o rețea profundă. Aplicarea repetată a (3 x 3) nucleu de convoluție urmată de activarea ReLU, (2 x 2) max-pooling și (2 x 2) eșantionare în sus cu dimensiunea pasului de 2 și (1 x 1) convoluție urmată de activare sigmoid la stratul final, un total de 23 de straturi în rețea. În [36], Veit A și colab. prin experimentul lor și-au dat seama că, dacă o rețea are o colecție de căi, atunci o cale mai scurtă este suficientă în timpul antrenamentului sau nu este necesară o cale foarte adâncă în timpul antrenamentului. Aceste căi multiple nu depind puternic unele de altele, iar corelația lor bună cu căi multiple valide crește performanța rețelei. În [22], Milletari F et al. a propus o rețea convoluțională codificator-decodor pentru date tridimensionale prin utilizarea pierderii zarurilor ca funcție de pierdere. Evaluarea lor empirică realizează performanțe mai bune pe setul de date cu dezechilibru puternic. În [24], Nogues I et al. a propus o arhitectură pentru detectarea ganglionilor limfatici prin două rețele convoluționale supravegheate complet imbricate și o strategie structurată de optimizare a câmpului aleatoriu condiționat. Degradarea informațiilor într-o rețea mai profundă a fost abordată de Kaiming He et al. în [9], prin introducerea unei rețele reziduale profunde care este mai ușor de antrenat și optimizat. Conexiunea reziduală se realizează prin sărirea peste unul sau mai multe straturi pentru a restabili fluxul de informații într-o rețea profundă. Pentru segmentarea și detectarea obiectelor histologice, Chen H și colab. în [5], a introdus un model conștient de contur care extrage informații pe mai multe niveluri sub supraveghere auxiliară. În [10], Huang G și colab. a propus o rețea convoluțională, care întărește fluxul general al hărții caracteristicilor de intrare prin alimentarea stratului de intrare precedent, precum și a intrării inițiale. Experimentul lor indică, de asemenea, că, datorită integrării cartografierii identității, modelul învață caracteristici mai compacte și reduce problema gradientului care dispare. În cazul unui set de date dezechilibrat, predicțiile sunt părtinitoare către precizie ridicată și reamintire scăzută, ceea ce nu este tolerabil, în special în domeniul medical. Această problemă este abordată de Salehi SM et al. în [29], care a antrenat rețeaua profundă, chiar și cu un set de date foarte dezechilibrat, și a gestionat eficient acolo unde predicția fals negativă este mult mai periculoasă decât fals pozitiv. Comportamentul funcțiilor de pierdere, cum ar fi entropia încrucișată ponderată și pierderea zarurilor, cu diferite rate de învățare examinate de Sudre CH și colab. în [30], pe imagini medicale și seturi de date case. Experimentul lor a constatat că, pe măsură ce nivelul de dezechilibru crește, funcția de pierdere bazată pe măsurarea suprapunerii este mai eficientă. Un foarte eficient din punct de vedere al memoriei și al timpului pentru segmentarea semantică a scenelor rutiere și interioare, o arhitectură codificator-decodor numită SegNet de Badrinarayanan V et al. în [3]. SegNet generează un decodor cu caracteristici rarizate care eșantionează cu pool-ul transferat și intrarea sa cu rezoluție mai mică de la codificatorul său. Pentru a segmenta cu precizie în apropierea regiunilor de graniță Zhou S și colab. [38], a folosit o rețea reziduală cu un bloc de convoluție dilatat. Ei folosesc multe blocuri ierarhice în paralel pentru a prelua informații semantice semnificative. Pentru a gestiona problemele de dezechilibru de clasă sau pentru a reduce predicțiile fals-negative în domeniul sănătății, Hashemi SR în [11] propune un CNN 3D dens cu pierdere de similitudine asimetrică bazată pe index Tversky care antrenează rețeaua cu cea mai mică distanță de suprafață. Problemă complexă de segmentare legată de graniță abordată de Naylor P și colab. în [25], prin formularea unei funcții de pierdere pe baza distanței intranucleare. Modelul lor de encoder-decodor depășește FCN, FCN plus PP, Mask R-CNN, U-Net și U-Net plus PP au experimentat cu seturi de date TNBC și MoNuSeg. Extensii semnificative în codificatorul-decodor standard prin încorporarea unui modul suplimentar numit poarta atenției de Schlemper J și colab. în [31], și atenția, precum și mecanismul rezidual de Lal S și colab. în [20], unde rețeaua este antrenată în așa fel încât să suprime caracteristicile irelevante în timp ce evidențiază caracteristica semnificativă. Pentru segmentarea scenei rutiere Malekijoo A et al. în [23], a utilizat modelul bazat pe autoencoder în care convoluția, deconvoluția și gruparea piramidală au fost aplicate pentru consolidarea caracteristicii locale. Pentru segmentarea imaginilor microscopice, MR și CT, o arhitectură codificator-decodor de Zhou S și colab. în [39], au legat conexiuni semnificative pentru a localiza cu precizie granițele complexe. Pentru segmentarea nucleelor ​​în imaginile patologice, Lal S et al. modelul [21], constă din deconvoluția adaptivă a culorii, pragurile multiscale urmate de operații morfologice și alte etape de post-procesare. Pentru segmentarea imaginilor medicale, o nouă funcție de pierdere de Karimi D și colab. în [16], a estimat distanța Hausdorff folosind metoda operației morfologice, metoda de transformare a distanței și sâmburi circular convoluți de diferite raze. Folosind metode de reducere a distanței Hausdorff, ei antrenează CNN pentru diferite imagini de microscopie și compară rezultatele lor cu o funcție de pierdere folosită în mod obișnuit. Hanif MS și colab. în [12], a propus o rețea reziduală competitivă prin stivuirea mai multor unități reziduale numite o rețea largă. Studiul lor a concluzionat că performanța unei rețele atât de largi este mai bună decât a rețelei adânci și subțiri. Chanchal AK și colab. şi Aatresh AA şi colab. în [2, 6], a folosit gruparea piramidală de convoluție separabilă și gruparea piramidală în funcție de dimensiune pentru sarcinile de segmentare a nucleelor.

Cistanche capsule

Arhitectura propusă

Pentru segmentarea imaginilor de microscopie, o arhitectură de codificator-decodor este cea mai potrivită, deoarece dacă un codificator are straturi de convoluție regulate și straturi de pooling maxim, atunci captează contextul din imagine foarte eficient. Calea decodorului prezintă rezultatul aplicând treptat eșantionarea în sus, colectând caracteristici relevante de la codificator și permițând localizarea precisă. Fiecare dintre filtrele din partea de codificator a rețelei DSREDN prezentate în Fig. 1, acceptă intrare de dimensiune flexibilă. am aplicat convoluția standard 2D obișnuită (3 x 3), normalizarea loturilor și poolingul maxim. Pentru a evita problemele de saturație și pierderea de informații în timp ce mergem mai adânc în rețea, am restaurat informațiile de nivel inferior prin crearea unei căi suplimentare paralele cu calea principală a rețelei. Aceste două căi nu sunt puternic corelate între ele și evită problemele de gradient care dispar. Pentru fiecare dintre dimensiunile filtrului, întreaga parte a codificatorului rețelei DSREDN constă din trei straturi de convoluție în paralel cu o singură cale contortă care s-a concentrat să curgă caracteristica mai contextuală în rețea. Deoarece eficiența căii decodorului pentru a genera ieșirea finală depinde de colecția de caracteristici contextuale din partea codificatorului, avem o cale ușor diferită pe partea decodorului, pentru procesarea optimă a caracteristicii colectate. Prin această procedură, rețeaua noastră DSREDN devine largă și adâncă în loc de subțire și adâncă. Rețeaua DSREDN antrenată cu imagini RGB de dimensiune (512 x 512 x 3). Cinci etape ale căii codificatorului având cinci dimensiuni diferite de filtru și calea decodorului corespunzătoare constau în (a) convoluția 2D a dimensiunii nucleului (3 x 3) cu activare ReLU (b) Un strat de înaltă rezoluție (c) (2 x 2) max. -stratul de grupare în calea codificatorului pentru a reduce dimensiunea spațială a imaginii și stratul de eșantionare corespunzător (2 x 2) în partea decodorului pentru a colecta caracteristicile contextuale din partea codificatorului prin operația de concatenare (d) În etapa finală a (1 x 1) ) convoluția este utilizată pentru a mapa dimensiunea (512 x 512 x 16) la (512 x 512 x 1) cu activare sigmoid.

Concluzie

Această lucrare a propus o arhitectură bazată pe CNN numită o rețea de codificator-decodor rezidual structurat profund (DSREDN), care a abordat două preocupări majore în segmentarea automată a nucleelor. Prima preocupare majoră a fost identificarea nucleelor ​​din imaginile histopatologice având un spectru foarte variat cu un număr mare de artefacte. Această problemă a fost abordată prin introducerea unui encoder-decodor puternic având două căi care au o capacitate mai discriminativă și au putut să recupereze informații texturale relevante și compacte. Rețelele implementate valorifică în mod eficient puterea învățării reziduale, precum și arhitectura codificatorului-decodor prin încorporarea căilor de rețea largi și profunde care întăresc caracteristicile intermediare. Am propus o funcție de pierdere eficientă prin experimentare și analiză atentă pentru a segmenta nucleele având granițe complexe sau care dispar, care au fost a doua problemă majoră în sarcina de segmentare. Am folosit cele mai preferate matrice de performanță scorul F1-și scorul AJI realizând experimente pe cele trei seturi de date histopatologice colorate cu H&E disponibile public. Măsurile de calitate obținute și regiunile nucleare prezise ale cadrului propus au fost mai bune în comparație cu cele ale modelelor de ultimă generație.

Pastile de Cistanche

Deși modelul propus a produs rezultate excelente, spațiul de caracteristici poate fi îmbogățit în continuare prin încorporarea unui modul de extracție a caracteristicilor de înaltă performanță. De asemenea, metoda propusă poate fi generalizată pentru a lucra pe mai multe modalități de imagine. Acest studiu este o segmentare binară a imaginilor histopatologice, aici putem segmenta doar regiunile nucleare. În viitor, putem clasifica aceste regiuni nucleare în subtipurile lor. Puține aplicații inovatoare ale diferitelor modalități de imagine au fost raportate de Shoeibi A și colab. în [32, 33], în care au fost dezvoltate pentru detectarea automată a COVID-19 și a sclerozei multiple. În [18, 34], Khodatars M et al. şi Sadeghi D şi colab. a ilustrat aplicabilitatea învățării profunde pentru diagnosticul tulburării din spectrul autist și detectarea bolii schizofrenie. Aceste exemple evidențiază modul în care domeniul sistemelor de diagnosticare asistată de computer se schimbă rapid și că pot exista încă numeroase aplicații asupra cărora nu s-au concentrat încă.

Cum Cistanchis îmbunătățește funcția rinichilor

Cistanche este o plantă medicinală care a fost folosită de mult timp în medicina tradițională chineză pentru a îmbunătăți funcția rinichilor. Se crede că are diverse beneficii datorită componentelor sale active, cum ar fi glicozidele feniletanoide și iridoidele.

Studiile sugerează că Cistanche poate promova funcția rinichilor prin îmbunătățirea fluxului sanguin renal, reducerea stresului oxidativ și creșterea producției de factori de creștere care susțin sănătatea rinichilor. În plus, poate ajuta la reglarea tensiunii arteriale și la reducerea inflamației, care sunt factori importanți pentru sănătatea rinichilor.

Mai mult, Cistanche a demonstrat potențialul de protecție împotriva leziunilor renale cauzate de anumite medicamente sau toxine. Poate avea un efect protector asupra rinichilor prin inhibarea răspunsurilor inflamatorii și reducerea morții celulare.

Cu toate acestea, este important de menționat că sunt necesare cercetări suplimentare pentru a înțelege pe deplin mecanismele și eficacitatea Cistanche în îmbunătățirea funcției renale. Ca și în cazul oricărui remediu pe bază de plante, este recomandabil să vă consultați cu un profesionist calificat în domeniul sănătății înainte de a-l utiliza în scopuri medicinale.

Referințe

1. Albayrak A, Bilgin G (2019) Segmentarea automată a celulelor în imagini histopatologice prin algoritmi bazați pe superpixeli în două etape. 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) Arhitectură eficientă de învățare profundă cu grupare piramidală dimensională pentru segmentarea nucleelor ​​imaginilor histopatologice. 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 deep convolutional encoder-decoder architecture for image segmentation. 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: deep contour-aware networks for accurate gland segmentation. Viziunea computerizată și recunoașterea modelelor. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Arhitectură eficientă și robustă de învățare profundă pentru segmentarea imaginilor histopatologice de rinichi și sân. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) ASPPU-Net cu transfer profund de înaltă rezoluție pentru segmentarea nucleelor ​​imaginilor histopatologice. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Digital image processing, ed. a 3-a. Prentice Hall, New York, SUA. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Învățare reziduală profundă pentru recunoașterea imaginilor. 2016 IEEE Conference on computer vision and pattern recognition (CVPR), Las Vegas, NV. pp 770–778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Densely connected convolutional networks. Conferința IEEE privind viziunea computerizată și recunoașterea modelelor (CVPR), Honolulu. pp. 2261–2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019). În: IEEE Access, vol. 7, pp 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Rețea neuronală reziduală competitivă pentru clasificarea imaginilor. 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 by reducing internal covariate shift. Învățare automată. arXiv:1502.03167

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

15. Jadon S (2020) Un studiu al funcțiilor de pierdere pentru segmentarea semantică. [Pe net]. Disponibil: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Reducerea distanței Hausdorff în segmentarea imaginilor medicale cu rețele neuronale convoluționale. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Un set de date și o tehnică pentru segmentarea nucleară generalizată pentru patologia computațională. 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 Învățare pentru diagnosticarea și reabilitarea bazate pe neuroimagistică a tulburării din spectrul autismului: o revizuire. 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. În: Conferința internațională privind reprezentările învățării, vol. 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: Arhitectură robustă de învățare profundă pentru segmentarea nucleelor ​​imaginilor histopatologice ale cancerului hepatic. 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) O metodă robustă pentru segmentarea nucleelor ​​imaginilor histopatologice colorate cu H&E. A șaptea conferință internațională IEEE privind procesarea semnalului și rețelele integrate (SPIN2020), Universitatea Amity Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: fully convolutional neuronal networks for volumetric medical image segmentation, a patra conferință internațională privind viziunea 3D (3DV). Stanford, CA. pp 565–571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Arhitectură de convoluție-deconvoluție cu modulul de pooling piramidal pentru segmentarea semantică. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Segmentarea automată a grupurilor de ganglioni limfatici folosind rețele neuronale imbricate holistic și optimizarea structurată în imagini CT. În: Medical image computing and computer assisted intervention – 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) Segmentarea nucleelor ​​în imaginile histopatologice prin regresia profundă a hărții distanței. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Rețele convoluționale pentru segmentarea imaginilor biomedicale. În: Proc. MICCAI. Springer, München, Germania, pp. 234–241

27. Slaoui M, Fiette L (2011) Proceduri histopatologice: de la prelevarea de țesut la evaluarea histopatologică. Metode Mol Biol (Metode Protoc) 691:69–82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Model de contur activ cu două canale pentru segmentarea celulelor megacariocitare în imaginile histologice de trefina de măduvă osoasă. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Funcția de pierdere Tversky pentru segmentarea imaginii folosind rețele profunde 3D complet convoluționale. În: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Elveția, pp. 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Generalized dice overlap as a deep learning loss function for high unbalanced segmentations. În: Învățare profundă în analiza imaginilor medicale și învățarea multimodală pentru sprijinirea deciziilor clinice. Springer, pp. 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) Detectarea și prognozarea automată a covid-19 folosind tehnici de învățare profundă: o revizuire. Învățare automată. 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) Aplicații ale tehnicilor de învățare profundă pentru detectarea automată a sclerozei multiple folosind imagistica prin rezonanță magnetică: A revizuire, procesare imagini și video. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) An overview on artificial intelligence techniques for the diagnostic of schizophrenia based on magnetic resonance imaging modalities: methods , provocări și lucrări viitoare. Învățare automată. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Ponderi de pierdere pentru îmbunătățirea segmentării dezechilibrate a structurii creierului folosind rețele complet convoluționale, asistență medicală. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Rețelele reziduale se comportă ca ansambluri de rețele relativ superficiale. Neural Inf Process Syst pp. 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K înseamnă segmentarea automată bazată pe clustering a nucleelor ​​celulare suprapuse în imaginile citologice de efuziune pleurală. Conferință internațională privind tehnologiile avansate pentru comunicații (ATC). pp. 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) Segmentare fină folosind rețele neuronale dilatate ierarhice. În: 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). În: IEEE Transactions on Image Processing, vol. 29, pp 461–475. https://doi.org/10.1109/TIP.2019.2919937

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

1 Departamentul de Electronică și Inginerie a Comunicațiilor, Institutul Național de Tehnologie Karnataka, Surathkal, Mangaluru-575025, Karnataka, India

2 Departamentul de Patologie, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, India