Diep gestructureerd residuaal encoder-decodernetwerk met een nieuwe verliesfunctie voor kernsegmentatie van histopathologische beelden van nieren en borsten

Abstract

Om het proces van diagnose en behandeling van kankerziekte te verbeteren, is automatische segmentatie van met hematoxyline en eosine (H & E) gekleurde celkernen van histopathologische beelden de eerste stap in digitale pathologie. Het voorgestelde diep gestructureerde residuele encoder-decodernetwerk (DSREDN) richt zich op twee aspecten: ten eerste maakt het effectief gebruik van resterende verbindingen door het hele netwerk en biedt het een breed en diep encoder-decoderpad, wat resulteert in het vastleggen van relevante context en meer gelokaliseerde kenmerken. Ten tweede wordt de verdwenen grens van gedetecteerde kernen aangepakt door een efficiënte verliesfunctie voor te stellen die ons voorgestelde model beter traint en de valse voorspelling vermindert die ongewenst is, vooral in toepassingen in de gezondheidszorg. De voorgestelde architectuur experimenteerde op drie verschillende openbaar beschikbare H&E-gekleurde histopathologische datasets, namelijk: (I) Nier (RCC) (II) Triple Negative Breast Cancer (TNBC) (III) MoNuSeg-2018. We hebben rekening gehouden met F1-score, Aggregated Jaccard Index (AJI), het totale aantal parameters en FLOP's (Floating Point Operations), die meestal de voorkeur genieten als meetstatistieken voor het vergelijken van kernsegmentatie. De geëvalueerde score van kernsegmentatie gaf aan dat de voorgestelde architectuur een aanzienlijke marge behaalde ten opzichte van vijf state-of-the-art deep learning-modellen op drie verschillende histopathologische datasets. Visuele segmentatieresultaten laten zien dat het voorgestelde DSREDN-model de nucleaire regio's nauwkeuriger segmenteert dan die van de geavanceerde methoden.

Trefwoorden

Diagnose en prognose van nierkanker · Kernsegmentatie · Residueel leren · Histopathologische beelden.

Klik hier om de effecten van Cistanche te kennen

Invoering

Recente onderzoekstrends tonen aan dat het deep learning-raamwerk zeer goed presteerde voor segmentatie-, detectie- en andere computervisietaken. In het afgelopen decennium, met de vooruitgang van nieuwe soorten computersystemen, goede strategieën om overfittingproblemen aan te pakken om zeer diepe netwerken te trainen, en veel veranderingen die geschikt zijn voor deep learning-netwerken. Segmentatie van hematoxyline en eosine (H & E) van gekleurde histopathologiebeelden is de eerste vereiste bij kunstmatige pathologie. De preparaten van de histopathologische objectglaasjes worden besproken door Slaoui M et al. in [27], door de volgende stappen: (I) Weefselverzameling (II) Fixatie (III) Inbedden (IV) Snijden (V) De-paraffine (VI) Kleuring (VII) Digitaliseren van het objectglaasje door beeldvorming van het hele objectglaasje (WSI) . Er zijn verschillende methoden voor het verzamelen van weefsel, zoals fijne naaldaspiratie, biopsienaald, excisiebiopsie, enz. Een grotere biopsie heeft meer informatie dan een kleine naaldbiopsie omdat het de grote cellulaire context van histopathologische objectglaasjes behoudt. Fixatie van weefsel is nodig voor chemische en fysische stabilisatie. Inbedden is vereist om het weefsel een bepaalde vorm te geven, zodat het gemakkelijk door de machines kan worden gesneden. Snijden is vereist om alle driedimensionale weefselinformatie in de vorm van vele dunne dia's en tweedimensionale informatie te krijgen. Het is belangrijk om paraffine uit het doorgesneden weefsel te verwijderen, zonder de paraffine te verwijderen kan het weefsel er in sommige delen een beetje wazig uitzien. Kleuring van de weefselglaasjes is vereist omdat het niet zichtbaar of enigszins transparant is onder helderveldmicroscopie. De meest gebruikte kleurstoffen voor histopathologische beelden zijn hematoxyline en eosine. Segmentatietaken kunnen worden onderverdeeld in traditionele of handgemaakte technieken voor het extraheren van kenmerken en op CNN gebaseerde deep learning-benaderingen. Traditionele segmentatiemethoden zijn meestal gebaseerd op op gelijkenis gebaseerde benadering, op discontinuïteit gebaseerde benadering, waterscheidingstechnieken, actieve contourmethoden en hun varianten, superpixel en op clustering gebaseerde methoden, enz. De op gelijkenis gebaseerde benadering besproken door Gonzalez RC et al. in [8], is gebaseerd op lokale drempels, globale drempels, adaptieve drempels, Otsu's drempels, regiogroei, regiosplitsing en samenvoeging, waarbij deze methoden proberen vergelijkbare pixels te groeperen en te segmenteren. Voor beeldhistogrammen met vlakke dalen werkt de op gelijkenis gebaseerde benadering niet goed en de verkeerde selectie van de drempelwaarde kan in dit geval leiden tot oversegmentatie en ondersegmentatie. De op discontinuïteit gebaseerde benadering probeert die pixels te segmenteren die op de een of andere manier geïsoleerd zijn, zoals punten, lijnen en randen, en het is een op maskerverwerking gebaseerde benadering. Deze methode vereist verschillende operators in verschillende stadia. Cousty J et al. stelde in [4] een waterscheidingssegmentatiemethode voor, gebaseerd op de splitsing, samenvoeging en markergestuurde waterscheiding. Gedetecteerde grenzen in de waterscheidingsmethode zijn afhankelijk van de celcomplexiteit. Song T et al. voorgestelde actieve contoursegmentatie in [28], waarbij ze intensiteitsinformatie en lokale randinformatie in overweging nemen voor de detectie van objectgrenzen. De superpixelsegmentatiemethode die wordt gebruikt door Albayrak A et al. in [1], is gebaseerd op het cluster van verbonden pixels met identieke kenmerken. Het houdt rekening met de kleur en coördinaten van aangrenzende pixels. Deze techniek geeft betere regionale informatie, maar is niet erg effectief in het geval van celsegmentatie. Op clustering gebaseerde segmentatie voorgesteld door Win KY et al. in [37], voert groepering uit op basis van hun gelijkenis. In recent onderzoek meldden de meeste auteurs dat de segmentatietechniek op basis van een diep convolutioneel neuraal netwerk veel beter presteert dan de conventionele segmentatiebenadering. Een beknopt overzicht van de op CNN gebaseerde benadering wordt gepresenteerd in Sectie 2. Segmentatiemethoden voor diep leren hebben ook te kampen met veel uitdagingen. Als we deze uitdagingen categoriseren, valt het onder de volgende aspecten.

1. Vanwege de grote variaties in weefseluiterlijk en een gevarieerd spectrum van klasse en subklasse van weefsels, is het moeilijk te herkennen.

2. Segmentatie van complexe grenzen, overlappende grenzen en verdwijnende grenzen is geen gemakkelijke taak.

3. Voorbereiding van de waarheid in het geval van begeleid leren is ook een grote uitdaging. Supervisie van ervaren pathologen is noodzakelijk, aangezien de nauwkeurigheid van de voorspelling afhangt van geannoteerde grondwaarheid.

In het geval van complexe histopathologische beelden lijden conventionele methoden aan oversegmentatie of ondersegmentatie. De voorgestelde aanpak richt zich op het scheiden van de overlappende en verdwenen nucleaire regio's van histopathologische beelden. Om de uitdagingen in de segmentatie van kernen van histopathologische beelden aan te pakken, zijn onze bijdragen in dit document als volgt.

1. Om de intermediaire functies op meerdere niveaus te versterken, maakte ons voorgestelde DSREDN-model effectief gebruik van de kracht van resterend leren.

2. Door middel van empirisch bewijs en zorgvuldige experimenten en analyse hebben we een nieuwe verliesfunctie voorgesteld. Visuele resultaten en prestatiematrices geven aan dat onze verliesfunctie het model beter traint en de nucleaire regio's nauwkeurig segmenteert in vergelijking met de geavanceerde methoden.

Cistanche tubulosa

Gerelateerd werk

Het grootste deel van de CNN-architectuur voor de celsegmentatietaak bestaat uit een encoder-decoderpad voor het extraheren van kenmerken. Veel van het recente onderzoek maakt gebruik van veel potentiële kansen, zoals het verbeteren van trainingsstrategieën, het omgaan met overfittingproblemen, betere optimalisatiemethoden en vele andere strategieën om betere voorspellingsnauwkeurigheid te verkrijgen. Veel auteurs rapporteerden echter hun resultaat, dat zeer efficiënt is, maar een nauwkeurig en efficiënt segmentatie-algoritme is nog steeds open onderzoek vanwege de complexiteit van histopathologische beelden. Een van de belangrijke bijdragen van Ronneberger et al. in [26], genaamd UNet, geeft een zeer goede richting en een dramatische doorbraak op het gebied van biomedische beeldsegmentatie. UNet is een symmetrisch encoder-decoder convolutioneel netwerk en heeft een groot aantal functiekanalen waarmee functies naar de hogere laag in een diep netwerk kunnen worden geëxtraheerd. Herhaalde toepassing van (3 x 3) convolutie-kernel gevolgd door ReLU-activering, (2 x 2) max-pooling en (2 x 2) up-sampling met stapgrootte van 2, en (1 x 1) convolutie gevolgd door sigmoïde activering bij laatste laag, in totaal 23 lagen in het netwerk. In [36], Veit A et al. realiseerden zich door hun experiment dat als een netwerk een verzameling paden heeft, een korter pad voldoende is tijdens de training, of dat een heel diep pad tijdens de training niet nodig is. Deze meerdere paden zijn niet sterk van elkaar afhankelijk en hun soepele co-relatie met meerdere geldige paden verhoogt de prestaties van het netwerk. In [22], Milletari F et al. stelde een encoder-decoder convolutioneel netwerk voor driedimensionale gegevens voor door dobbelsteenverlies als verliesfunctie te gebruiken. Hun empirische evaluatie zorgt voor betere prestaties op de dataset met sterke onevenwichtigheden. In [24], Nogues I et al. stelde een architectuur voor voor de detectie van lymfeklieren door twee volledig geneste gesuperviseerde convolutionele netwerken en een gestructureerde voorwaardelijke willekeurige veldoptimalisatiestrategie. Degradatie van informatie in een dieper netwerk werd aangepakt door Kaiming He et al. in [9], door een diep residuaal netwerk te introduceren dat gemakkelijker te trainen en te optimaliseren is. De resterende verbinding wordt gerealiseerd door een of meer lagen over te slaan om de informatiestroom in een diep netwerk te herstellen. Voor segmentatie en detectie van histologische objecten, Chen H et al. in [5], introduceerde een contourbewust model dat onder extra supervisie informatie op meerdere niveaus extraheert. In [10], Huang G et al. stelde een convolutioneel netwerk voor, dat de algehele stroom van de invoerfunctiekaart versterkt door zowel de invoer van de voorgaande laag als de originele invoer te voeden. Hun experiment geeft ook aan dat het model door de integratie van identiteitsmapping meer compacte kenmerken leert en het verdwijnende gradiëntprobleem vermindert. In het geval van een onevenwichtige dataset, zijn voorspellingen gericht op hoge precisie en weinig geheugen, wat onaanvaardbaar is, vooral op medisch gebied. Dit probleem wordt aangepakt door Salehi SM et al. in [29], dat het diepe netwerk trainde, zelfs met een zeer onevenwichtige dataset, en effectief werd afgehandeld waar vals-negatieve voorspelling veel gevaarlijker is dan vals-positief. Het gedrag van verliesfuncties zoals gewogen cross-entropie en verlies van dobbelstenen met verschillende leersnelheden onderzocht door Sudre CH et al. in [30], op medische beelden en huisdatasets. Uit hun experiment bleek dat naarmate het niveau van onbalans toeneemt, de op maat gebaseerde verliesfunctie effectiever is. Een zeer efficiënte in termen van geheugen en tijd voor semantische segmentatie van weg- en binnenscènes, een encoder-decoderarchitectuur genaamd SegNet door Badrinarayanan V et al. bij [3]. SegNet genereert een sparse feature-decoder die upsampled met de overgedragen pool en de invoer met lagere resolutie van de encoder. Om nauwkeurig nabij grensgebieden te segmenteren Zhou S et al. [38], gebruikte een restnetwerk met een uitgezet convolutieblok. Ze gebruiken veel hiërarchische blokken parallel om zinvolle semantische informatie op te halen. Om problemen met klassenonbalans aan te pakken of fout-negatieve voorspellingen in de gezondheidszorg te verminderen, stelt Hashemi SR in [11] een 3D-dichte CNN voor met op Tversky-index gebaseerd asymmetrisch gelijkenisverlies dat het netwerk met de kleinste oppervlakteafstand traint. Complex grensgerelateerd segmentatieprobleem aangepakt door Naylor P et al. in [25], door een verliesfunctie te formuleren op basis van intranucleaire afstand. Hun encoder-decodermodel presteert beter dan FCN, FCN plus PP, Mask R-CNN, U-Net en U-Net plus PP geëxperimenteerd met TNBC- en MoNuSeg-datasets. Zinvolle uitbreidingen in standaard encoder-decoder door een extra module op te nemen, attentiepoort genoemd door Schlemper J et al. in [31], en zowel aandacht als het residuele mechanisme door Lal S et al. in [20], waar het netwerk zo wordt getraind dat het irrelevante kenmerken onderdrukt en het betekenisvolle kenmerk benadrukt. Voor segmentatie van wegscènes Malekijoo A et al. in [23], maakte gebruik van het autoencoder-gebaseerde model waarbij convolutie, deconvolutie en piramidepooling werden toegepast om het lokale kenmerk te versterken. Voor de segmentatie van microscopische, MR- en CT-beelden is een encoder-decoderarchitectuur van Zhou S et al. in [39], gekoppelde zinvolle verbindingen om de complexe grenzen precies te lokaliseren. Voor de segmentatie van kernen in pathologiebeelden hebben de Lal S et al. model [21], bestaat uit adaptieve kleurdeconvolutie, drempelwaardering op meerdere schalen gevolgd door morfologische bewerkingen en andere nabewerkingsstappen. Voor de segmentatie van medische beelden is een nieuwe verliesfunctie van Karimi D et al. in [16], geschatte Hausdorff-afstand met behulp van de morfologische bewerkingsmethode, afstandstransformatiemethode en cirkelvormig ingewikkelde kernels met verschillende stralen. Gebruikmakend van methoden om de Hausdorff-afstand te verkleinen, trainen ze CNN voor verschillende microscopiebeelden en vergelijken ze hun resultaten met een veelgebruikte verliesfunctie. Hanif MS et al. in [12] stelde een concurrerend restnetwerk voor door meerdere resteenheden op elkaar te stapelen, een breed netwerk genoemd. Hun studie concludeerde dat de prestaties van zo'n breed netwerk beter zijn dan het diepe en dunne netwerk. Chanchal AK et al. en Aatresh AA et al. in [2, 6] gebruikte scheidbare convolutiepiramidepooling en dimensiegewijze piramidepooling voor kernsegmentatietaken.

Cistanche-capsules

Voorgestelde architectuur

Voor de segmentatie van microscopiebeelden is een encoder-decoderarchitectuur het meest geschikt, want als een encoder regelmatige convolutielagen en max-pooling-lagen heeft, legt deze de context in de afbeelding zeer effectief vast. Het decoderpad presenteert de uitvoer door geleidelijk up-sampling toe te passen, relevante kenmerken van de encoder te verzamelen en nauwkeurige lokalisatie mogelijk te maken. Elk van de filters aan de encoderzijde van het DREDN-netwerk getoond in Fig. 1, accepteert input van flexibele grootte. we hebben reguliere (3 x 3) 2D-standaardconvolutie, batchnormalisatie en max-pooling toegepast. Om verzadigingsproblemen en verlies van informatie te voorkomen terwijl we dieper in het netwerk gingen, hebben we de informatie op de lagere lagen hersteld door een extra pad te creëren parallel aan het hoofdpad van het netwerk. Deze twee paden zijn niet sterk met elkaar gecorreleerd en het vermijdt verdwijnende gradiëntproblemen. Voor elk van de filtergroottes bestaat de gehele encoderzijde van het DSREDN-netwerk uit drie convolutielagen parallel met een enkel ingewikkeld pad dat is gericht op het laten stromen van de meer contextuele functie in het netwerk. Omdat de effectiviteit van het decoderpad om de uiteindelijke uitvoer te genereren afhangt van de verzameling van contextuele kenmerken aan de encoderzijde, hebben we een iets ander pad aan de decoderzijde, voor een optimale verwerking van het verzamelde kenmerk. Door deze procedure wordt ons DSREDN-netwerk breed en diep in plaats van dun en diep. DSREDN-netwerk getraind met RGB-afbeeldingen van formaat (512 x 512 x 3). Vijf fasen van het encoderpad met vijf verschillende filtergroottes en het bijbehorende decoderpad bestaan ​​uit (a) 2D-convolutie van kernelgrootte (3 x 3) met ReLU-activering (b) Een laag met hoge resolutie (c) (2 x 2) max -pooling-laag in encoderpad om de ruimtelijke grootte van het beeld te verkleinen en overeenkomstige (2 x 2) up-sampling-laag in decoderzijde om contextuele kenmerken van encoderzijde te verzamelen door aaneenschakeling (d) In de laatste fase a (1 x 1 ) convolutie wordt gebruikt om de grootte (512 x 512 x 16) toe te wijzen aan (512 x 512 x 1) met sigmoïde activering.

Conclusie

Dit artikel stelde een op CNN gebaseerde architectuur voor, een diep gestructureerd residueel encoder-decodernetwerk (DSREDN) genaamd, dat twee belangrijke problemen bij automatische kernsegmentatie aanpakt. De eerste grote zorg was het identificeren van kernen uit histopathologische beelden met een sterk gevarieerd spectrum met een groot aantal artefacten. Dit probleem is verholpen door de introductie van een krachtige encoder-decoder met twee paden die meer onderscheidend vermogen hebben en in staat waren om relevante en compacte textuurinformatie op te halen. De geïmplementeerde netwerken maken effectief gebruik van de kracht van residueel leren en van de encoder-decoderarchitectuur door brede en diepe netwerkpaden op te nemen die de tussenliggende functies versterken. We hebben een efficiënte verliesfunctie voorgesteld door middel van zorgvuldig experimenteren en analyseren om de kernen te segmenteren met complexe of verdwijnende grenzen, wat het tweede grote probleem was in de segmentatietaak. We hebben de meest geprefereerde prestatiematrices F1-score en AJI-score gebruikt door experimenten uit te voeren op de drie verschillende openbaar beschikbare H&E-gekleurde histopathologische datasets. De verkregen kwaliteitsstatistieken en voorspelde nucleaire regio's van het voorgestelde raamwerk waren beter in vergelijking met die van de geavanceerde modellen.

Cistanche-pillen

Hoewel het voorgestelde model uitstekende resultaten opleverde, kan de functieruimte verder worden verrijkt door een krachtige functie-extractiemodule op te nemen. Ook kan de voorgestelde methode worden gegeneraliseerd om aan meer beeldmodaliteiten te werken. Deze studie is een binaire segmentatie van histopathologische beelden, hier kunnen we alleen de nucleaire regio's segmenteren. In de toekomst kunnen we deze nucleaire regio's indelen in hun subtypes. Er zijn maar weinig innovatieve toepassingen van verschillende beeldmodaliteiten gerapporteerd door Shoeibi A et al. in [32, 33], waarin generatieve vijandige netwerken (GAN's), terugkerende neurale netwerken (RNN's), autoencoders (AE's), convolutionele neurale netwerken (CNN's), diepe neurale netwerken (DNN's) en andere hybride netwerken zijn ontwikkeld voor geautomatiseerde detectie van COVID-19 en multiple sclerose. In [18, 34], Khodatars M et al. en Sadeghi D et al. illustreerde de toepasbaarheid van diep leren voor de diagnose van autismespectrumstoornis en detectie van schizofrenie. Deze voorbeelden laten zien hoe snel het gebied van computerondersteunde diagnosesystemen verandert en dat er mogelijk nog tal van toepassingen zijn waarop nog niet is gefocust.

Hoe Cistanchis de nierfunctie verbetert

Cistanche is een geneeskrachtig kruid dat al lang in de traditionele Chinese geneeskunde wordt gebruikt om de nierfunctie te verbeteren. Er wordt aangenomen dat het verschillende voordelen heeft vanwege de actieve componenten, zoals fenylethanoïde glycosiden en iridoïden.

Studies suggereren dat Cistanche de nierfunctie kan bevorderen door de doorbloeding van de nieren te verbeteren, oxidatieve stress te verminderen en de productie van groeifactoren die de gezondheid van de nieren ondersteunen, te verbeteren. Bovendien kan het helpen de bloeddruk te reguleren en ontstekingen te verminderen, wat belangrijke factoren zijn voor de gezondheid van de nieren.

Bovendien heeft Cistanche het potentieel getoond om te beschermen tegen nierbeschadiging veroorzaakt door bepaalde medicijnen of toxines. Het kan een beschermend effect hebben op de nieren door ontstekingsreacties te remmen en celdood te verminderen.

Het is echter belangrijk op te merken dat verder onderzoek nodig is om de mechanismen en effectiviteit van Cistanche bij het verbeteren van de nierfunctie volledig te begrijpen. Zoals met elk kruidengeneesmiddel, is het raadzaam om een ​​gekwalificeerde zorgverlener te raadplegen voordat u het voor medicinale doeleinden gebruikt.

Referenties

1. Albayrak A, Bilgin G (2019) Automatische celsegmentatie in histopathologische beelden via tweetraps superpixel-gebaseerde algoritmen. 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) Efficiënte deep learning-architectuur met dimensiegewijze piramidepooling voor kernsegmentatie van histopathologische beelden. Comput Med Imaging-grafiek 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: een diepe convolutionele encoder-decoderarchitectuur voor beeldsegmentatie. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Stroomgebiedsneden: dunner wordende bossen, kortste padbossen en topologische stroomgebieden. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: diepe contourbewuste netwerken voor nauwkeurige kliersegmentatie. Computervisie en patroonherkenning. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Efficiënte en robuuste deep learning-architectuur voor segmentatie van nier- en borsthistopathologiebeelden. Comput Elektr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) Diep overgedragen ASPPU-Net met hoge resolutie voor kernsegmentatie van histopathologiebeelden. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Digitale beeldverwerking, 3e druk. Prentice Hall, New York, VS. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Diep resterend leren voor beeldherkenning. 2016 IEEE-conferentie over computervisie en patroonherkenning (CVPR), Las Vegas, NV. blz. 770-778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Dicht met elkaar verbonden convolutionele netwerken. IEEE-conferentie over computervisie en patroonherkenning (CVPR), Honolulu. blz. 2261-2269. https://doi.org/10.1109/CVPR.2017.243

11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) Asymmetrische verliesfuncties en diep dicht verbonden netwerken voor zeer onevenwichtige medische beeldsegmentatie: toepassing op detectie van multiple sclerose laesies. In: IEEE Access, deel 7, pp 1721-1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Competitief residueel neuraal netwerk voor beeldclassificatie. ICT Express 6(1):28-37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Batchnormalisatie: versnelling van diepe netwerktraining door interne covariate shift te verminderen. Machinaal leren. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Crowdsourcing beeldannotatie voor nucleusdetectie en segmentatie in computationele pathologie: evaluatie van experts, geautomatiseerde methoden en de menigte. In: Pacific Symposium over biocomputing (PSB), pp 294-305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) Een overzicht van verliesfuncties voor semantische segmentatie. [Online]. Beschikbaar: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Verkleining van de Hausdorff-afstand in medische beeldsegmentatie met convolutionele neurale netwerken. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Een dataset en een techniek voor gegeneraliseerde nucleaire segmentatie voor computationele pathologie. 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) Diep leren voor op neuroimaging gebaseerde diagnose en revalidatie van autismespectrumstoornis: een overzicht. Bereken Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: een methode voor stochastische optimalisatie. In: Internationale conferentie over leerrepresentaties, deel 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: robuuste deep learning-architectuur voor de kernsegmentatie van histopathologische beelden van leverkanker. Bereken Biol Med 128:104075

21. Lal S, Kanfade A, Alabhya K, Dsouza R, Kumar A, Chanchal AK, Maneesh M, Peryail G, Kini J (2020) Een robuuste methode voor kernsegmentatie van met H&E gekleurde histopathologiebeelden. 7e IEEE internationale conferentie over signaalverwerking en geïntegreerde netwerken (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: volledig convolutionele neurale netwerken voor volumetrische medische beeldsegmentatie, vierde internationale conferentie over 3D-visie (3DV). Stanford, Californië. blz. 565-571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Convolutie-deconvolutie-architectuur met de piramidepoolmodule voor semantische segmentatie. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Automatische lymfeklierclustersegmentatie met behulp van holistisch geneste neurale netwerken en gestructureerde optimalisatie in CT-beelden. In: 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) Segmentatie van kernen in histopathologische beelden door diepe regressie van de afstandskaart. IEEE Trans Med Imaging 38(2):448-459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: convolutionele netwerken voor biomedische beeldsegmentatie. In: Proc. MICCAI. Springer, München, Duitsland, pp 234-241

27. Slaoui M, Fiette L (2011) Histopathologieprocedures: van weefselbemonstering tot histopathologische evaluatie. Methoden Mol Biol (Protoc Methoden) 691:69-82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Tweekanaals actief contourmodel voor megakaryocytische celsegmentatie in trephine-histologiebeelden van het beenmerg. IEEE Trans Biomed Eng 64(12):2913-2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Tversky-verliesfunctie voor beeldsegmentatie met behulp van 3D volledig convolutionele diepe netwerken. In: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Zwitserland, pp 379-387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Gegeneraliseerde dobbelstenen overlappen als een diepe leerverliesfunctie voor zeer onevenwichtige segmentaties. In: Deep learning in medische beeldanalyse en multimodaal leren voor klinische beslissingsondersteuning. Springer, blz. 240-248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Aandachtsafhankelijke netwerken: leren gebruik te maken van opvallende regio's in medische beelden. 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) Geautomatiseerde detectie en prognose van covid-19 met behulp van deep learning-technieken: een overzicht. Machinaal leren. 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) Toepassingen van deep learning-technieken voor geautomatiseerde detectie van multiple sclerose met behulp van magnetische resonantiebeeldvorming: A beoordeling, beeld- en videoverwerking. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Een overzicht van kunstmatige-intelligentietechnieken voor de diagnose van schizofrenie op basis van modaliteiten voor magnetische resonantiebeeldvorming: methoden , uitdagingen en toekomstige werken. Machinaal leren. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Gewichtsverlies voor het verbeteren van onevenwichtige hersenstructuursegmentatie met behulp van volledig convolutionele netwerken, gezondheidszorg. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Resterende netwerken gedragen zich als ensembles van relatief ondiepe netwerken. Neural Inf Process Syst pp 550-558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K bedoel op clustering gebaseerde geautomatiseerde segmentatie van overlappende celkernen in pleurale effusiecytologiebeelden. Internationale conferentie over geavanceerde technologieën voor communicatie (ATC). blz. 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) Fijnkorrelige segmentatie met behulp van hiërarchische verwijde neurale netwerken. In: Medical image computing and computer assisted intervention, deel 11073. Springer, Cham, pp 488-496

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

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

1 Afdeling van Elektronica en Communicatie Engineering, Nationaal Instituut van Technologie Karnataka, Surathkal, Mangaluru-575025, Karnataka, India

2 Afdeling Pathologie, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, India