Djupt strukturerat återstående encoder-decoder-nätverk med en ny förlustfunktion för kärnsegmentering av njur- och brösthistopatologibilder

Abstrakt

För att förbättra processen för diagnos och behandling av cancersjukdom är automatisk segmentering av hematoxylin och eosin (H & E)-färgade cellkärnor från histopatologiska bilder det första steget i digital patologi. Det föreslagna djupstrukturerade nätverket för återstående kodare-avkodare (DSREDN) fokuserar på två aspekter: för det första utnyttjade det effektivt kvarvarande anslutningar i hela nätverket och tillhandahåller en bred och djup kodare-avkodarväg, vilket resulterar i att fånga relevant sammanhang och mer lokaliserade funktioner. För det andra åtgärdas försvunna gränser för upptäckta kärnor genom att föreslå en effektiv förlustfunktion som bättre tränar vår föreslagna modell och minskar den falska förutsägelsen som är oönskad, särskilt i sjukvårdstillämpningar. Den föreslagna arkitekturen experimenterade med tre olika allmänt tillgängliga H&E-färgade histopatologiska datauppsättningar nämligen: (I) Njure (RCC) (II) Trippelnegativ bröstcancer (TNBC) (III) MoNuSeg-2018. Vi har övervägt F1-poäng, aggregerat Jaccard-index (AJI), det totala antalet parametrar och FLOP:er (flyttalsoperationer), som oftast är föredragna prestandamått för jämförelse av segmentering av kärnor. Den utvärderade poängen för segmentering av kärnor indikerade att den föreslagna arkitekturen uppnådde en avsevärd marginal över fem toppmoderna djupinlärningsmodeller på tre olika histopatologiska datauppsättningar. Visuella segmenteringsresultat visar att den föreslagna DSREDN-modellen noggrant segmenterar kärnområdena mer än de för de senaste metoderna.

Nyckelord

Njurcancerdiagnos och prognos · Kärnsegmentering · Residuell inlärning · Histopatologibilder.

Klicka här för att veta effekterna av Cistanche

Introduktion

Nya forskningstrender visar att ramverket för djupinlärning fungerade mycket bra för segmentering, upptäckt och andra datorseende uppgifter. Under det senaste decenniet, med utvecklingen av nya typer av beräkningssystem, lämpliga strategier för att hantera överanpassningsproblem för att träna mycket djupa nätverk, och massor av förändringar som är lämpliga för nätverk för djupinlärning. Segmentering av hematoxylin och eosin (H & E) från färgade histopatologiska bilder är den primära förutsättningen inom artificiell patologi. De histopatologiska objektglaspreparaten diskuteras av Slaoui M et al. i [27], genom följande steg: (I) Vävnadsinsamling (II) Fixering (III) Inbäddning (IV) Sektionering (V) Avparaffinering (VI) Färgning (VII) Digitalisering av objektglaset genom helbildsavbildning (WSI) . Det finns flera vävnadsinsamlingsmetoder som är finnålsaspiration, biopsinål, excisionsbiopsi, etc. En större biopsi har mer information än en liten nålbiopsi eftersom den bevarar det stora cellulära sammanhanget för histopatologiska objektglas. Fixering av vävnad behövs för kemisk och fysisk stabilisering. Inbäddning krävs för att ge en viss form till vävnaden så att den lätt kan skäras av maskinerna. Sektionering krävs för att få all tredimensionell vävnadsinformation i form av många tunna diabilder och tvådimensionell information. Det är viktigt att ta bort paraffin från den snittade vävnaden, utan att avparaffinera kan vävnaden se lite suddig ut i vissa delar. Färgning av vävnadsobjektglasen krävs eftersom det inte är synligt eller typ av genomskinligt under ljusfältsmikroskopi. De mest använda färgerna för histopatologiska bilder är hematoxylin och eosin. Segmenteringsuppgifter kan kategoriseras i traditionella eller handgjorda funktionsextraktionstekniker och CNN-baserade metoder för djupinlärning. Traditionella segmenteringsmetoder är mestadels baserade på likhetsbaserat tillvägagångssätt, diskontinuitetsbaserat tillvägagångssätt, vattendelaretekniker, aktiva konturmetoder och deras varianter, superpixel- och klustringsbaserade metoder etc. Det likhetsbaserade tillvägagångssättet diskuteras av Gonzalez RC et al. i [8], är baserad på lokal tröskel, global tröskel, adaptiv tröskel, Otsus tröskel, regiontillväxt, regiondelning och sammanslagning, där dessa metoder försöker gruppera och segmentera liknande pixlar. För bildhistogram med platta dalar fungerar det likhetsbaserade tillvägagångssättet inte bra och fel val av tröskelvärde kan resultera i översegmentering och undersegmentering i detta fall. Det diskontinuitetsbaserade tillvägagångssättet försöker segmentera de pixlar som är isolerade på något sätt som punkter, linjer och kanter, och det är ett maskbehandlingsbaserat tillvägagångssätt. Denna metod kräver olika operatörer i olika stadier. Cousty J et al. föreslog en metod för segmentering av vattendelare i [4], baserad på delad, sammanslagning och markörkontrollerad vattendelare. Upptäckta gränser i vattendelaremetoden beror på cellernas komplexitet. Song T et al. föreslog aktiv kontursegmentering i [28], där de beaktar intensitetsinformation och lokal kantinformation för detektering av objektgränser. Superpixelsegmenteringsmetoden som används av Albayrak A et al. i [1], baseras på klustret av anslutna pixlar som har identiska egenskaper. Den tar hänsyn till färgen och koordinerar informationen för grannpixlar. Denna teknik ger bättre regional information men är inte särskilt effektiv vid cellsegmentering. Klustringsbaserad segmentering föreslagen av Win KY et al. i [37], utför gruppering baserat på deras likhet. I nyare forskningsarbete rapporterade de flesta av författarna att segmenteringstekniken baserad på ett djupt faltningsneuralt nätverk fungerar mycket bättre än den konventionella segmenteringsmetoden. En kortfattad genomgång av CNN-baserade tillvägagångssätt presenteras i avsnitt 2. Segmenteringsmetoder för djupinlärning lider också av många utmaningar. Om vi ​​kategoriserar dessa utmaningar kommer det att falla under följande aspekter.

1. På grund av stora variationer i vävnadsutseende och ett varierat spektrum av klasser och underklasser av vävnader är det svårt att känna igen.

2. Segmentering av komplexa gränser, överlappande gränser och försvinnande gränser är inte en lätt uppgift.

3. Att förbereda grundsanningen i fallet med handledat lärande är också en stor utmaning. Övervakning av erfarna patologer är nödvändig eftersom prediktionsnoggrannhet beror på annoterad grundsanning.

I fallet med komplexa histopatologiska bilder lider konventionella metoder av antingen översegmentering eller undersegmentering. Det föreslagna tillvägagångssättet fokuserar på att separera de överlappade och försvunna kärnområdena från histopatologiska bilder. För att ta itu med utmaningarna i segmenteringen av kärnor från histopatologiska bilder är våra bidrag i detta dokument som följer.

1. För att stärka de mellanliggande funktionerna på flera nivåer, använde vår föreslagna DSREDN-modell effektivt styrkan i restinlärning.

2. Genom empiriska bevis och noggranna experiment och analys föreslog vi en ny förlustfunktion. Visuella resultat och prestationsmatriser indikerar att vår förlustfunktion tränar modellen bättre och exakt segmenterar kärnkraftsområdena jämfört med de senaste metoderna.

Cistanche tubulosa

Relaterat arbete

Det mesta av CNN-arkitekturen för cellsegmenteringsuppgiften består av en kodare-avkodarväg för funktionsextraktion. Mycket av den senaste forskningen utnyttjar massor av potentiella möjligheter som att förbättra träningsstrategier, hantera överanpassningsproblem, bättre optimeringsmetoder och många andra strategier för att få bättre förutsägelseprecision. Men många författare rapporterade sitt resultat som är mycket effektivt men en korrekt och effektiv segmenteringsalgoritm är fortfarande öppen forskning på grund av komplexiteten i histopatologiska bilder. Ett av de betydande bidragen från Ronneberger et al. i [26], kallad UNet, ger en mycket bra riktning och ett dramatiskt genombrott inom området för biomedicinsk bildsegmentering. UNet är ett symmetriskt kodar-avkodare faltningsnätverk och har ett stort antal funktionskanaler som gör det möjligt att extrahera funktioner till det högre lagret i ett djupt nätverk. Upprepad applicering av (3 x 3) faltningskärna följt av ReLU-aktivering, (2 x 2) max-pooling och (2 x 2) uppsampling med stegstorlek på 2, och (1 x 1) faltning följt av sigmoidaktivering vid slutlager, totalt 23 lager i nätverket. I [36], Veit A et al. insåg genom sitt experiment att om ett nätverk har en samling vägar så räcker det med en kortare väg under träning, eller så krävs inte en mycket djup väg under träning. Dessa multipla vägar är inte starkt beroende av varandra och deras smidiga samförhållande med flera giltiga vägar ökar nätverkets prestanda. I [22], Milletari F et al. föreslagit ett kodare-avkodare faltningsnätverk för tredimensionell data genom att använda tärningsförlust som en förlustfunktion. Deras empiriska utvärdering uppnår bättre prestanda på datasetet med starka obalanser. I [24], Nogues I et al. föreslagit en arkitektur för detektering av lymfkörtlar av två helt kapslade övervakade faltningsnätverk och en strukturerad villkorad slumpmässig fältoptimeringsstrategi. Försämring av information i ett djupare nätverk togs upp av Kaiming He et al. i [9], genom att införa ett djupt kvarvarande nätverk som är lättare att träna och optimera. Den kvarvarande anslutningen realiseras genom att hoppa över ett eller flera lager för att återställa informationsflödet i ett djupt nätverk. För segmentering och detektion av histologiska objekt, Chen H et al. i [5], introducerade en konturmedveten modell som extraherar information på flera nivåer under extra övervakning. I [10] Huang G et al. föreslagit ett faltningsnätverk, som stärker det övergripande flödet av inmatningsfunktionskartan genom att mata det föregående lagrets indata såväl som den ursprungliga inmatningen. Deras experiment indikerar också att modellen på grund av integrationen av identitetskartläggning lär sig mer kompakta funktioner och minskar problemet med försvinnande gradienter. I fallet med en obalanserad datamängd är förutsägelser snedställda mot hög precision och låg återkallelse, vilket inte är acceptabelt, särskilt inom det medicinska området. Detta problem tas upp av Salehi SM et al. i [29], som tränade det djupa nätverket, även med en mycket obalanserad datauppsättning, och hanterades effektivt där falsk negativ förutsägelse är mycket farligare än falsk positiv. Beteendet hos förlustfunktioner såsom viktad korsentropi och tärningsförlust med olika inlärningshastigheter undersökt av Sudre CH et al. i [30], på medicinska bilder och husdatauppsättningar. Deras experiment fann att när nivån av obalans ökar är överlappning måttbaserad förlustfunktion mer effektiv. En mycket effektiv när det gäller minne och tid för semantisk segmentering av väg- och inomhusscener, en kodar-avkodararkitektur kallad SegNet av Badrinarayanan V et al. i [3]. SegNet genererar en gles funktionsavkodare som samplar upp den överförda poolen och dess lägre upplösningsinmatning från dess kodare. För att exakt segmentera nära gränsregioner Zhou S et al. [38], använde ett kvarvarande nätverk med ett dilaterat faltningsblock. De använder många hierarkiska block parallellt för att hämta meningsfull semantisk information. För att hantera klassobalansproblem eller minska falska negativa förutsägelser inom sjukvården, föreslår Hashemi SR i [11] en 3D-tät CNN med Tversky-indexbaserad asymmetrisk likhetsförlust som tränar nätverket med det lägsta ytavståndet. Komplext gränsrelaterat segmenteringsproblem behandlat av Naylor P et al. i [25], genom att formulera en förlustfunktion baserad på intranukleärt avstånd. Deras kodar-avkodarmodell överträffar FCN, FCN plus PP, Mask R-CNN, U-Net och U-Net plus PP experimenterade med TNBC- och MoNuSeg-datauppsättningar. Meningsfulla utökningar av standardkodare-avkodare genom att införliva en extra modul som kallas uppmärksamhetsgrind av Schlemper J et al. i [31], och uppmärksamhet såväl som den kvarvarande mekanismen av Lal S et al. i [20], där nätverket tränas på ett sådant sätt att det undertrycker irrelevanta egenskaper samtidigt som det framhäver den meningsfulla egenskapen. För vägscensegmentering Malekijoo A et al. i [23] använde den autoencoder-baserade modellen där faltning, dekonvolution och pyramidpooling användes för att förstärka den lokala funktionen. För segmentering av mikroskopiska, MR- och CT-bilder en kodare-avkodararkitektur av Zhou S et al. i [39], länkade meningsfulla kopplingar för att exakt lokalisera de komplexa gränserna. För segmenteringen av kärnor i patologibilder, har Lal S et al. modell [21], består av adaptiv färgdekonvolution, flerskaletröskelvärde följt av morfologiska operationer och andra efterbehandlingssteg. För segmenteringen av medicinska bilder, en ny förlustfunktion av Karimi D et al. i [16], uppskattat Hausdorff-avstånd med användning av den morfologiska operationsmetoden, avståndstransformationsmetoden och cirkulärt invecklade kärnor med olika radier. Genom att använda metoder för minskning av Hausdorff-avståndet tränar de CNN för olika mikroskopibilder och jämför deras resultat med en vanlig förlustfunktion. Hanif MS et al. i [12], föreslog ett konkurrenskraftigt kvarvarande nätverk genom att stapla flera återstående enheter som kallas ett brett nätverk. Deras studie drog slutsatsen att prestandan för ett så brett nätverk är bättre än det djupa och tunna nätverket. Chanchal AK et al. och Aatresh AA et al. i [2, 6], använde separerbar faltningspyramidpooling och dimensionsvis pyramidpooling för kärnsegmenteringsuppgifter.

Cistanche kapslar

Föreslagen arkitektur

För segmentering av mikroskopibilder är en kodar-avkodararkitektur bäst lämpad eftersom om en kodare har vanliga faltningslager och maxpoolande lager, då fångar den sammanhanget i bilden mycket effektivt. Avkodarvägen presenterar utdata genom att gradvis tillämpa uppsampling, samla in relevanta funktioner från kodaren och möjliggöra exakt lokalisering. Vart och ett av filtren på kodarsidan av DSREDN-nätverket som visas i fig. 1 accepterar indata av flexibel storlek. vi har tillämpat vanlig (3 x 3) 2D-standardfalsning, batchnormalisering och maxpooling. För att undvika mättnadsproblem och förlust av information samtidigt som vi gick djupare in i nätverket, återställde vi den lägre informationen genom att skapa en ytterligare väg parallell med nätverkets huvudväg. Dessa två vägar är inte starkt korrelerade till varandra och det undviker försvinnande gradientproblem. För var och en av filterstorlekarna består hela kodarsidan av DSREDN-nätverket av tre faltningsskikt parallellt med en enda hoprullad bana som fokuserade på att flyta den mer kontextuella funktionen i nätet. Eftersom effektiviteten hos avkodarvägen för att generera den slutliga utsignalen beror på insamlingen av kontextuella funktioner från kodarsidan, har vi en något annorlunda väg på avkodarsidan, för optimal bearbetning av den insamlade funktionen. Genom denna procedur blir vårt DSREDN-nätverk brett och djupt istället för tunt och djupt. DSREDN-nätverk tränat med RGB-bilder av storlek (512 x 512 x 3). Fem steg av kodarvägen med fem olika filterstorlekar och motsvarande avkodarväg består av (a) 2D-falsning av kärnstorlek (3 x 3) med ReLU-aktivering (b) Ett högupplöst lager (c) (2 x 2) max. -poolningslager i kodarbanan för att minska bildens rumsliga storlek och motsvarande (2 x 2) uppsamplingslager på avkodarsidan för att samla in kontextuella egenskaper från kodarsidan genom sammanlänkningsoperation (d) I slutskedet a (1 x 1) ) faltning används för att kartlägga storleken (512 x 512 x 16) till (512 x 512 x 1) med sigmoidaktivering.

Slutsats

Det här dokumentet föreslog en CNN-baserad arkitektur som kallas ett djupt strukturerat residual encoder-decoder-nätverk (DSREDN), som tog upp två stora problem i automatisk segmentering av kärnor. Det första stora problemet var att identifiera kärnor från histopatologiska bilder med ett vitt varierat spektrum med ett stort antal artefakter. Detta problem åtgärdades genom att introducera en kraftfull kodare-avkodare med två vägar som har mer särskiljande förmåga och kunde hämta relevant och kompakt texturinformation. De implementerade nätverken utnyttjar effektivt styrkan i kvarvarande inlärning såväl som kodar-avkodararkitektur genom att införliva breda och djupa nätverksvägar som stärker de mellanliggande funktionerna. Vi föreslog en effektiv förlustfunktion genom noggrann experimentering och analys för att segmentera kärnorna som har komplexa eller försvinnande gränser, vilket var den andra stora frågan i segmenteringsuppgiften. Vi har använt de mest föredragna prestationsmatriserna F1-poäng och AJI-poäng genom att utföra experiment på de tre olika allmänt tillgängliga H&E-färgade histopatologiska datauppsättningarna. De erhållna kvalitetsmåtten och förutspådda kärnkraftsregionerna i det föreslagna ramverket var bättre jämfört med de i de senaste modellerna.

Cistanche piller

Även om den föreslagna modellen gav utmärkta resultat, kan funktionsutrymmet berikas ytterligare genom att inkludera en högpresterande funktionsextraktionsmodul. Den föreslagna metoden kan också generaliseras för att arbeta med fler bildmodaliteter. Denna studie är en binär segmentering av histopatologiska bilder, här kan vi bara segmentera kärnområdena. I framtiden kan vi klassificera dessa kärnkraftsregioner i deras undertyper. Få innovativa tillämpningar av olika bildmodaliteter rapporterades av Shoeibi A et al. i [32, 33], där generativa motstridiga nätverk (GAN), återkommande neurala nätverk (RNN), autoencoders (AE), konvolutionella neurala nätverk (CNN), djupa neurala nätverk (DNN) och andra hybridnätverk har utvecklats för automatisk upptäckt av covid-19 och multipel skleros. I [18, 34], Khodatars M et al. och Sadeghi D et al. illustrerat tillämpbarheten av djupinlärning för diagnos av autismspektrumstörning och upptäckt av schizofreni. Dessa exempel visar hur området för datorstödda diagnossystem förändras snabbt och att det fortfarande kan finnas många applikationer som ännu inte har fokuserats på.

Hur Cistanchis förbättrar njurfunktionen

Cistanche är en medicinsk ört som länge har använts i traditionell kinesisk medicin för att förbättra njurfunktionen. Det tros ha olika fördelar på grund av dess aktiva komponenter, såsom fenyletanoidglykosider och iridoider.

Studier tyder på att Cistanche kan främja njurfunktionen genom att förbättra njurblodflödet, minska oxidativ stress och öka produktionen av tillväxtfaktorer som stöder njurhälsa. Dessutom kan det hjälpa till att reglera blodtrycket och minska inflammation, vilket är viktiga faktorer för njurhälsa.

Dessutom har Cistanche visat potentialen i att skydda mot njurskador orsakade av vissa mediciner eller toxiner. Det kan ha en skyddande effekt på njurarna genom att hämma inflammatoriska svar och minska celldöd.

Det är dock viktigt att notera att ytterligare forskning behövs för att till fullo förstå mekanismerna och effektiviteten av Cistanche för att förbättra njurfunktionen. Som med alla växtbaserade läkemedel, är det tillrådligt att rådgöra med en kvalificerad sjukvårdspersonal innan du använder den för medicinska ändamål.

Referenser

1. Albayrak A, Bilgin G (2019) Automatisk cellsegmentering i histopatologiska bilder via tvåstegs superpixelbaserade algoritmer. 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) Effektiv djupinlärningsarkitektur med dimensionsvis pyramidpoolning för kärnsegmentering av histopatologibilder. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: En djup konvolutionell kodar-avkodararkitektur för bildsegmentering. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Vattendelare: Gallringar, skogar med kortaste väg och topologiska vattendelar. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: djupa konturmedvetna nätverk för exakt körtelsegmentering. Datorseende och mönsterigenkänning. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Effektiv och robust djupinlärningsarkitektur för segmentering av njur- och brösthistopatologiska bilder. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) Högupplöst djupt överfört ASPPU-nät för kärnsegmentering av histopatologiska bilder. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Digital bildbehandling, 3:e upplagan. Prentice Hall, New York, USA. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Djup återstående inlärning för bildigenkänning. 2016 IEEE-konferens om datorseende och mönsterigenkänning (CVPR), Las Vegas, NV. sid. 770-778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Tätt anslutna konvolutionella nätverk. IEEE-konferens om datorseende och mönsterigenkänning (CVPR), Honolulu. sid. 2261-2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Asymmetriska förlustfunktioner och djupt tätt anslutna nätverk för starkt obalanserad medicinsk bildsegmentering: applikation för upptäckt av multipel sklerosskada. I: IEEE Access, vol 7, pp 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Konkurrenskraftigt kvarvarande neurala nätverk för bildklassificering. IKT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Batchnormalisering: accelerera djup nätverksträning genom att minska internt kovariatskifte. Maskininlärning. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Crowdsourcing bildanteckning för kärndetektion och segmentering i beräkningspatologi: utvärdering av experter, automatiserade metoder och mängden. I: Pacific Symposium on biocomputing (PSB), s 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) En undersökning av förlustfunktioner för semantisk segmentering. [Uppkopplad]. Tillgänglig: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Att minska Hausdorff-avståndet i medicinsk bildsegmentering med konvolutionella neurala nätverk. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) En datauppsättning och en teknik för generaliserad nukleär segmentering för beräkningspatologi. 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 lärande för neuroimaging-baserad diagnos och rehabilitering av Autism Spectrum Disorder: En recension. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: En metod för stokastisk optimering. I: 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 djupinlärningsarkitektur för kärnsegmenteringen av levercancerhistopatologibilder. 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) En robust metod för kärnsegmentering av H&E-färgade histopatologiska bilder. 7:e IEEE internationella konferens om signalbehandling och integrerade nätverk (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: helt konvolutionerande neurala nätverk för volymetrisk medicinsk bildsegmentering, fjärde internationella konferensen om 3D-vision (3DV). Stanford, CA. sid. 565-571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Konvolution-dekonvolutionsarkitektur med pyramidpoolningsmodulen för semantisk segmentering. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Automatisk lymfkörtelklustersegmentering med hjälp av holistiskt kapslade neurala nätverk och strukturerad optimering i CT-bilder. I: 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) Segmentering av kärnor i histopatologibilder genom djup regression av avståndskartan. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: Konvolutionella nätverk för biomedicinsk bildsegmentering. I: Proc. MICCAI. Springer, München, Tyskland, s 234–241

27. Slaoui M, Fiette L (2011) Histopatologiska procedurer: från vävnadsprovtagning till histopatologisk utvärdering. Metoder Mol Biol (Methods Protoc) 691:69–82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Dubbelkanals aktiv konturmodell för megakaryocytisk cellsegmentering i histologibilder av benmärgstrefin. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Tversky-förlustfunktion för bildsegmentering med användning av 3D helt konvolutionerande djupa nätverk. I: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Schweiz, s 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Generaliserade tärningar överlappar varandra som en djup inlärningsförlustfunktion för mycket obalanserade segmentering. Inom: Deep learning i medicinsk bildanalys och multimodalt lärande för kliniskt beslutsstöd. Springer, sid 240–248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Attention gated networks: Learning to utnyttja framträdande regioner i medicinska bilder. 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) Automatiserad upptäckt och prognoser av covid-19 med hjälp av tekniker för djupinlärning: en recension. Maskininlärning. 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) Tillämpningar av djupinlärningstekniker för automatiserad detektering av multipel skleros med hjälp av magnetisk resonansavbildning: granskning, bild- och videobehandling. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) En översikt över artificiell intelligenstekniker för diagnos av schizofreni baserat på magnetiska resonansmetoder för bildbehandling: , utmaningar och framtida arbeten. Maskininlärning. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Förlustviktningar för att förbättra obalanserad hjärnstruktursegmentering med hjälp av helt konvolutionerande nätverk, sjukvård. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Restnätverk beter sig som ensembler av relativt grunda nätverk. Neural Inf Process Syst s. 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K betyder klusterbaserad automatiserad segmentering av överlappande cellkärnor i pleurala effusionscytologibilder. Internationell konferens om avancerad teknologi för kommunikation (ATC). sid. 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) Finkornig segmentering med hjälp av hierarkiska dilaterade neurala nätverk. I: 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). I: IEEE Transactions on Image Processing, vol 29, s 461–475. https://doi.org/10.1109/TIP.2019.2919937

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

1 Institutionen för elektronik och kommunikationsteknik, National Institute of Technology Karnataka, Surathkal, Mangaluru-575025, Karnataka, Indien

2 Institutionen för patologi, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, Indien