Дубоко структурирана резидуална мрежа енкодера-декодера са новом функцијом губитка за сегментацију језгара хистопатолошких слика бубрега и дојке

Апстрактан

Да би се побољшао процес дијагнозе и лечења болести рака, аутоматска сегментација ћелијских језгара обојених хематоксилином и еозином (Х&Е) са хистопатолошких слика је први корак у дигиталној патологији. Предложена дубоко структурисана резидуална мрежа енкодер-декодер (ДСРЕДН) фокусира се на два аспекта: прво, ефикасно користи заостале везе у целој мрежи и обезбеђује широку и дубоку путању енкодер-декодер, што резултира хватањем релевантног контекста и више локализованих карактеристика. Друго, нестала граница детектованих језгара се решава тако што се предлаже ефикасна функција губитка која боље тренира наш предложени модел и смањује лажно предвиђање које је непожељно, посебно у апликацијама у здравству. Предложена архитектура је експериментисала на три различита јавно доступна Х&Е обојена хистопатолошка скупа података и то: (И) бубрези (РЦЦ) (ИИ) троструки негативни рак дојке (ТНБЦ) (ИИИ) МоНуСег-2018. Узели смо у обзир Ф1-скор, агрегирани Жакардов индекс (АЈИ), укупан број параметара и ФЛОП (операције са помичним зарезом), који су углавном префериране метрике мерења перформанси за поређење сегментације језгара. Процењени резултат сегментације језгара показао је да је предложена архитектура постигла значајну маргину у односу на пет најсавременијих модела дубоког учења на три различита скупа хистопатолошких података. Резултати визуелне сегментације показују да предложени ДСРЕДН модел прецизно сегментира нуклеарне регионе више од оних најсавременијих метода.

Кључне речи

Дијагноза и прогноза рака бубрега · Сегментација језгара · Преостало учење · Хистопатолошке слике.

Кликните овде да бисте сазнали ефекте Цистанцхеа

Увод

Недавни трендови истраживања показују да се оквир дубоког учења показао веома добрим за сегментацију, детекцију и друге задатке компјутерског вида. У последњој деценији, са напретком нових типова рачунарских система, одговарајућим стратегијама за решавање проблема преоптерећења за обуку веома дубоких мрежа, и много промена које су погодне за мреже дубоког учења. Сегментација хематоксилина и еозина (Х & Е) са обојених хистопатолошких слика је примарни предуслов у вештачкој патологији. Слаоуи М ет ал. у [27], следећим корацима: (И) Сакупљање ткива (ИИ) Фиксација (ИИИ) Уградња (ИВ) Сечење (В) Депарафинирање (ВИ) Бојење (ВИИ) Дигитализација дијапозитива помоћу слике целог слајда (ВСИ) . Постоји неколико метода прикупљања ткива, а то су аспирација фином иглом, игла за биопсију, ексцизиона биопсија, итд. Већа биопсија има више информација од биопсије малом иглом јер чува велики ћелијски контекст хистопатолошких дијапозитива. За хемијску и физичку стабилизацију потребна је фиксација ткива. Уграђивање је потребно да би се ткиву дао одређени облик тако да га машине могу лако резати. Секција је неопходна да би се добиле све тродимензионалне информације о ткиву у облику многих танких слајдова и дводимензионалних информација. Уклањање парафина из исеченог ткива је важно, без депарафинирања ткиво може изгледати помало замућено у неким деловима. Бојење стакалца ткива је неопходно јер није видљиво или провидно под микроскопијом са светлим пољем. Најраспрострањеније мрље за хистопатолошке слике су хематоксилин и еозин. Задаци сегментације се могу категорисати у традиционалне или ручно израђене технике издвајања карактеристика и приступе дубоког учења засноване на ЦНН-у. Традиционалне методе сегментације су углавном засноване на приступу заснованом на сличности, приступу заснованом на дисконтинуитету, техникама вододелнице, методама активних контура и њиховим варијантама, суперпикселним методама и методама заснованим на груписању, итд. Приступ заснован на сличности о којем говоре Гонзалез РЦ ет ал. у [8], заснива се на локалном прагу, глобалном прагу, адаптивном прагу, Отсуовом прагу, расту региона, раздвајању региона и спајању, где ове методе покушавају да групишу и сегментирају сличне пикселе. За хистограме слике који имају равне долине, приступ заснован на сличности не функционише добро и погрешан избор вредности прага може довести до прекомерне и недовољне сегментације у овом случају. Приступ заснован на дисконтинуитету покушава да сегментира оне пикселе који су изоловани на неки начин као што су тачке, линије и ивице, и то је приступ заснован на обради маске. Овај метод захтева различите оператере у различитим фазама. Цоусти Ј ет ал. је предложио метод сегментације вододелнице у [4], заснован на раздвајању, спајању и сливовима контролисаним маркерима. Откривене границе у методи вододелнице зависе од сложености ћелије. Песма Т и др. предложена активна сегментација контуре у [28], где разматрају информације о интензитету и информације о локалној ивици за детекцију граница објекта. Метода сегментације суперпиксела коју користе Албаирак А ет ал. у [1], заснива се на групи повезаних пиксела који имају идентичне карактеристике. Он узима у обзир боју и координира информације суседних пиксела. Ова техника пружа боље регионалне информације, али није веома ефикасна у случају сегментације ћелија. Сегментација заснована на груписању коју су предложили Вин КИ ет ал. у [37], врши груписање на основу њихове сличности. У недавном истраживачком раду, већина аутора је известила да техника сегментације заснована на дубокој конволуционој неуронској мрежи ради много боље од конвенционалног приступа сегментације. Сажети преглед приступа заснованог на ЦНН-у представљен је у одељку 2. Методе сегментације дубоког учења такође пате од многих изазова. Ако категоризујемо ове изазове, доћи ће до следећих аспеката.

1. Због великих варијација изгледа ткива и разноврсног спектра класа и подкласа ткива, тешко га је препознати.

2. Сегментација сложених граница, граница које се преклапају и граница које нестају није лак задатак.

3. Припрема темељне истине у случају учења под надзором је такође велики изазов. Надзор искусних патолога је неопходан јер тачност предвиђања зависи од анотиране темељне истине.

У случају сложених хистопатолошких слика, конвенционалне методе трпе или прекомерну или премалу сегментацију. Предложени приступ се фокусира на одвајање преклапаних и несталих нуклеарних региона од хистопатолошких слика. Да бисмо одговорили на изазове у сегментацији језгара са хистопатолошких слика, наши доприноси у овом раду су следећи.

1. Да би се ојачале карактеристике средњег нивоа на више нивоа, наш предложени ДСРЕДН модел је ефикасно користио снагу резидуалног учења.

2. Путем емпиријских доказа и пажљивог експериментисања и анализе, предложили смо нову функцију губитка. Визуелни резултати и матрице перформанси показују да наша функција губитка боље тренира модел и прецизно сегментира нуклеарне регионе у поређењу са најсавременијим методама.

Цистанцхе тубулоса

Повезани рад

Већина ЦНН архитектуре за задатак сегментације ћелија састоји се од путање кодер-декодер за екстракцију карактеристика. Велики део недавних истраживања користи много потенцијалних могућности као што су побољшање стратегија тренинга, решавање проблема преоптерећења, боље методе оптимизације и многе друге стратегије за постизање боље прецизности предвиђања. Међутим, многи аутори су пријавили свој резултат који је веома ефикасан, али тачан и ефикасан алгоритам сегментације је још увек отворено истраживање због сложености хистопатолошких слика. Један од значајних доприноса Роннебергера ет ал. у [26], под називом УНет, пружа веома добар правац и драматичан продор у области сегментације биомедицинске слике. УНет је симетрична конволуциона мрежа кодер-декодер и има велики број канала карактеристика који омогућавају издвајање карактеристика на виши слој у дубокој мрежи. Поновљена примена (3 к 3) конволуционог кернела праћена РеЛУ активацијом, (2 к 2) максималним обједињавањем и (2 к 2) уп-самплингом са величином корака од 2 и (1 к 1) конволуцијом праћеном активацијом сигмоида на завршни слој, укупно 23 слоја у мрежи. У [36], Веит А ет ал. схватили су кроз свој експеримент да ако мрежа има колекцију путања онда је краћи пут довољан током тренинга, или веома дубок пут није потребан током тренинга. Ови вишеструки путеви не зависе јако једни од других и њихова глатка корелација са више важећих путања повећава перформансе мреже. У [22], Миллетари Ф ет ал. предложио конволуциону мрежу енкодер-декодер за тродимензионалне податке користећи губитак коцкице као функцију губитка. Њихова емпиријска евалуација постиже боље перформансе на скупу података о јакој неравнотежи. У [24], Ногуес И ет ал. предложио архитектуру за детекцију лимфних чворова помоћу две потпуно угнежђене надгледане конволуционе мреже и структурисану условну стратегију оптимизације случајног поља. Деградацијом информација у дубљој мрежи бавили су се Каиминг Хе ет ал. у [9], увођењем дубоке резидуалне мреже коју је лакше обучити и оптимизовати. Преостала веза се остварује прескакањем једног или више слојева да би се обновио ток информација у дубокој мрежи. За сегментацију и детекцију хистолошких објеката, Цхен Х ет ал. у [5], увео модел са свешћу о контурама који издваја информације на више нивоа под помоћним надзором. У [10], Хуанг Г ет ал. је предложио конволуциону мрежу, која јача укупни ток улазне мапе обележја тако што даје улаз претходног слоја као и оригинални улаз. Њихов експеримент такође показује да захваљујући интеграцији мапирања идентитета, модел учи компактније карактеристике и смањује проблем нестајања градијента. У случају неуравнотеженог скупа података, предвиђања су пристрасна према високој прецизности и малом памћењу, што није толерантно, посебно у области медицине. Овим проблемом се баве Салехи СМ ет ал. у [29], који је обучио дубоку мрежу, чак и са веома неуравнотеженим скупом података, и ефикасно поступао тамо где је лажно негативно предвиђање много опасније од лажно позитивно. Понашање функција губитка као што су пондерисана унакрсна ентропија и губитак коцкица са различитим стопама учења испитали су Судре ЦХ ет ал. у [30], о медицинским сликама и скуповима кућних података. Њихов експеримент је открио да како се ниво неравнотеже повећава, функција губитка заснована на преклапању је ефикаснија. Веома ефикасна у смислу меморије и времена за семантичку сегментацију сцена на путу и ​​у затвореном простору, архитектура кодера-декодера под називом СегНет од Бадринараианан В ет ал. у [3]. СегНет генерише ретки декодер карактеристика који врши надосемплинг са пренетим скупом и његовим улазом ниже резолуције из свог енкодера. За прецизно сегментирање близу граничних региона Зхоу С ет ал. [38], користио је заосталу мрежу са проширеним блоком конволуције. Они паралелно користе многе хијерархијске блокове да би добили смислене семантичке информације. Да би решио проблеме неравнотеже класе или смањио лажно негативна предвиђања у здравству, Хасхеми СР у [11] предлаже 3Д густ ЦНН са асиметричним губитком сличности заснованим на Тверски индексу који обучава мрежу са најнижом површинском удаљености. Комплексни проблем сегментације везан за границе којим се баве Наилор П ет ал. у [25], формулисањем функције губитка на основу интрануклеарне удаљености. Њихов модел енкодер-декодер надмашује ФЦН, ФЦН плус ПП, Маск Р-ЦНН, У-Нет и У-Нет плус ПП експериментисао са ТНБЦ и МоНуСег скуповима података. Значајна проширења у стандардном енкодеру-декодеру уградњом додатног модула који се назива капија пажње од стране Сцхлемпер Ј ет ал. у [31], и пажњу као и резидуални механизам од Лал С ет ал. у [20], где је мрежа обучена на такав начин да потискује небитне карактеристике док наглашава значајну особину. За сегментацију сцене на путу Малекијоо А ет ал. у [23], користио је модел заснован на аутокодеру где су конволуција, деконволуција и обједињавање пирамида примењени за појачавање локалне карактеристике. За сегментацију микроскопских, МР и ЦТ слика користи се архитектура кодер-декодер Зхоу С ет ал. у [39], повезивали су смислене везе како би прецизно лоцирали комплексне границе. За сегментацију језгара на сликама патологије, Лал С ет ал. модел [21], састоји се од адаптивне деконволуције боја, вишескаланског прага праћеног морфолошким операцијама и другим корацима накнадне обраде. За сегментацију медицинских слика, нова функција губитка коју су урадили Карими Д ет ал. у [16], процењено Хаусдорфово растојање коришћењем методе морфолошке операције, методе трансформације удаљености и кружно увијених језгара различитих полупречника. Користећи методе смањења Хаусдорфове удаљености, они обучавају ЦНН за различите микроскопске слике и упоређују своје резултате са уобичајеном функцијом губитка. Ханиф МС ет ал. у [12], предложио је конкурентну резидуалну мрежу слагањем више резидуалних јединица које се називају широка мрежа. Њихова студија је закључила да су перформансе тако широке мреже боље од дубоке и танке мреже. Цханцхал АК ет ал. и Аатресх АА ет ал. у [2, 6], користио је обједињавање одвојивих конволуционих пирамида и обједињавање пирамида по димензијама за задатке сегментације језгара.

Цистанцхе цапсулес

Предложена архитектура

За сегментацију микроскопских слика, архитектура енкодер-декодер је најпогоднија јер ако енкодер има редовне слојеве конволуције и слојеве максималног скупљања, онда веома ефикасно хвата контекст у слици. Путања декодера представља излаз постепеном применом узлазног узорковања, прикупљањем релевантних карактеристика из енкодера и омогућавањем прецизне локализације. Сваки од филтера на страни енкодера ДСРЕДН мреже приказане на слици 1, прихвата улаз флексибилне величине. применили смо редовну (3 к 3) 2Д стандардну конволуцију, нормализацију серије и максимално обједињавање. Да бисмо избегли проблеме са засићењем и губитак информација док се улази дубље у мрежу, вратили смо информације нижег слоја креирањем додатне путање паралелне са главном путањом мреже. Ове две путање нису у јакој корелацији једна са другом и избегавају проблеме са градијентом који нестају. За сваку од величина филтера, цела страна енкодера ДСРЕДН мреже се састоји од три конволуциона слоја паралелно са једном закривљеном путањом која је фокусирана на проток контекстуалније карактеристике у мрежи. Пошто ефикасност путање декодера за генерисање коначног излаза зависи од прикупљања контекстуалних карактеристика са стране кодера, имамо мало другачију путању на страни декодера, за оптималну обраду прикупљених карактеристика. Овим поступком наша ДСРЕДН мрежа постаје широка и дубока уместо танка и дубока. ДСРЕДН мрежа обучена са РГБ сликама величине (512 к 512 к 3). Пет фаза путање кодера са пет различитих величина филтера и одговарајућом путањом декодера састоји се од (а) 2Д конволуције величине кернела (3 к 3) са РеЛУ активацијом (б) слоја високе резолуције (ц) (2 к 2) мак -обједињавање слоја у путањи кодера да би се смањила просторна величина слике и одговарајући (2 к 2) слој за подизање узорковања на страни декодера да би се прикупила контекстуална карактеристика са стране енкодера операцијом конкатенације (д) У завршној фази а (1 к 1 ) конволуција се користи за мапирање величине (512 к 512 к 16) у (512 к 512 к 1) са сигмоидном активацијом.

Закључак

Овај рад је предложио архитектуру засновану на ЦНН-у названу дубоко структурирана резидуална енкодер-декодер мрежа (ДСРЕДН), која се бавила два главна проблема у аутоматској сегментацији језгара. Прва велика брига била је да се идентификују језгра са хистопатолошких снимака који имају широко вариран спектар са великим бројем артефаката. Овај проблем је решен увођењем моћног енкодера-декодера који има две путање које имају више дискриминативне способности и које су биле у стању да пронађу релевантне и компактне информације о текстури. Имплементиране мреже ефикасно користе снагу резидуалног учења као и архитектуру кодер-декодер тако што уграђују широке и дубоке мрежне путање које јачају средње карактеристике. Предложили смо ефикасну функцију губитка кроз пажљиво експериментисање и анализу како бисмо сегментирали језгра са сложеним или несталим границама, што је било друго велико питање у задатку сегментације. Користили смо најпожељније матрице перформанси Ф1-скор и АЈИ резултат изводећи експерименте на три различита јавно доступна Х&Е обојена хистопатолошка скупа података. Добијене метрике квалитета и предвиђени нуклеарни региони предложеног оквира били су бољи у поређењу са најсавременијим моделима.

Цистанцхе пилуле

Иако је предложени модел дао одличне резултате, простор карактеристика се може додатно обогатити уградњом модула за екстракцију карактеристика високих перформанси. Такође, предложени метод се може генерализовати да ради на више модалитета слике. Ова студија је бинарна сегментација хистопатолошких слика, овде можемо само сегментирати нуклеарне регионе. У будућности, ове нуклеарне регионе можемо класификовати у њихове подтипове. Схоеиби А ет ал. у [32, 33], у којој су развијене генеративне адверсаријске мреже (ГАН), рекурентне неуронске мреже (РНН), аутоенкодери (АЕ), конволуционе неуронске мреже (ЦНН), дубоке неуронске мреже (ДНН) и друге хибридне мреже за аутоматско откривање ЦОВИД-19 и мултипле склерозе. У [18, 34], Кходатарс М ет ал. и Садегхи Д ет ал. илустровао применљивост дубоког учења за дијагнозу поремећаја из спектра аутизма и откривање болести шизофреније. Ови примери наглашавају како се област компјутерски потпомогнутих дијагностичких система брзо мења и да још увек може постојати бројне апликације на које још увек нису фокусиране.

Како Цистанцхис побољшава функцију бубрега

Цистанцхе је лековита биљка која се дуго користи у традиционалној кинеској медицини за побољшање функције бубрега. Верује се да има различите предности због својих активних компоненти, као што су фенилетаноидни гликозиди и иридоиди.

Студије сугеришу да Цистанцхе може унапредити функцију бубрега побољшањем бубрежног протока крви, смањењем оксидативног стреса и повећањем производње фактора раста који подржавају здравље бубрега. Поред тога, може помоћи у регулисању крвног притиска и смањењу упале, што је важан фактор за здравље бубрега.

Штавише, Цистанцхе је показао потенцијал у заштити од оштећења бубрега узрокованих одређеним лековима или токсинима. Може имати заштитни ефекат на бубреге тако што инхибира инфламаторне одговоре и смањује смрт ћелија.

Међутим, важно је напоменути да су потребна даља истраживања да би се у потпуности разумели механизми и ефикасност Цистанцхеа у побољшању функције бубрега. Као и код сваког биљног лека, препоручљиво је да се консултујете са квалификованим здравственим радником пре него што га употребите у медицинске сврхе.

Референце

1. Албаирак А, Билгин Г (2019) Аутоматска сегментација ћелија у хистопатолошким сликама путем двостепених алгоритама заснованих на суперпикселима. Мед Биол Енг Цомпут 57(3):653–665

2. Аатресх АА, Иатгири РП, Цханцхал АК, Кумар А, Рави А, Дас Д, Рагхавендра БС, Лал С, Кини Ј (2021) Ефикасна архитектура дубоког учења са обједињавањем пирамида по димензијама за сегментацију језгара хистопатолошких слика. Цомпут Мед Имагинг Грапх 93:101975. хттпс://дои.орг/10.1016/ј.цомпмедимаг.2021.101975

3. Бадринараианан В, Кендалл А, Циполла Р (2017) Сегнет: Дубока конволуциона архитектура кодера-декодера за сегментацију слике. ИЕЕЕ Транс Паттерн Анал Мацх Интелл 39(12):2481–2495

4. Цоусти Ј, Бертранд Г, Најман Л, Цоуприе М (2010) Ватерсхед цутс: Тхиннингс, схортест патх форестс, анд топологицал ватерсхедс. ИЕЕЕ Транс Паттерн Анал Мацх Интелл 32(5):925–939

5. Цхен Х, Ки Кс, Иу Л, Хенг ПА (2016) ДЦАН: дубоке мреже свесне контуре за прецизну сегментацију жлезда. Компјутерски вид и препознавање узорака. арКсив:1604.02677в1 [цс.ЦВ]

6. Цханцхал АК, Кумар А, Лал С, Кини Ј (2021) Ефикасна и робусна архитектура дубоког учења за сегментацију хистопатолошких слика бубрега и дојке. Цомпут Елецтр Енг 92:107177. хттпс://дои.орг/10.1016/ј.цомпелеценг.2021.107177

7. Цханцхал АК, Лал С, Кини Ј (2021) Дубоко пренесени АСППУ-Нет високе резолуције за сегментацију језгара хистопатолошких слика. Инт Ј Цомпут Ассист Радиол Сург. хттпс://дои.орг/10.1007/с11548-021-02497-9

8. Гонзалез РЦ, Воодс РЕ (2006) Дигитална обрада слике, 3. изд. Прентице Халл, Њујорк, САД. ИСБН-013168728Кс

9. Хе К, Зханг Кс, Рен С, Сун Ј (2016) Дубоко резидуално учење за препознавање слика. 2016 ИЕЕЕ конференција о компјутерском виду и препознавању образаца (ЦВПР), Лас Вегас, НВ. стр. 770–778. хттпс://дои.орг/10.1109/ЦВПР.2016.90

10. Хуанг Г, Лиу З, Маатен Л, Веинбергер КК (2017) Густо повезане конволуционе мреже. ИЕЕЕ конференција о компјутерском виду и препознавању образаца (ЦВПР), Хонолулу. стр. 2261–2269. хттпс://дои.орг/10.1109/ЦВПР.2017.243

11. Хасхеми СР, Салехи СМ, ​​Ердогмус Д, Прабху СП, Варфиелд СК, Гхолипоур А (2019) Асиметричне функције губитка и дубоке густо повезане мреже за високо неуравнотежену сегментацију медицинске слике: примена за откривање лезија мултипле склерозе. У: ИЕЕЕ Аццесс, том 7, стр. 1721–1735. хттпс://дои.орг/10.1109/АЦЦЕСС.2018.2886371

12. Ханиф МС, Билал М (2020) Конкурентна резидуална неуронска мрежа за класификацију слика. ИЦТ Екпресс 6(1):28–37. хттпс://дои.орг/10.1016/ј.ицте.2019.06.001

13. Иоффе С, Сзегеди Ц (2015) Пакетна нормализација: убрзање дубоког мрежног тренинга смањењем унутрашњег померања коваријата. Машинско учење. арКсив:1502.03167

14. Ирсхад Х, Коухсари ЛМ, Валтз Г, Буцур О, Новак ЈА, Донг Ф, Кноблауцх НВ, Бецк АХ (2015) Цровдсоурцинг имаге аннотатион фор нуцлеус детецтион анд сегментатион ин цомпутатионал патхологи: евалуатинг екпертс, аутоматед метходс, анд тхе цровд. У: Пацифички симпозијум о биокомпјутерству (ПСБ), стр. 294–305. хттпс://дои.орг/10.13140/2.1.4067.0721

15. Јадон С (2020) Преглед функција губитака за семантичку сегментацију. [Онлине]. Доступно: арКсив:2006.14822

16. Карими Д, Салцудеан СЕ (2020) Смањење Хаусдорфове удаљености у сегментацији медицинске слике са конволуционим неуронским мрежама. ИЕЕЕ Транс Мед Имагинг 39(2):499–513

17. Кумар Н, Верма Р, Схарма С, Бхаргава С, Вахадане А, Сетхи А (2017) Скуп података и техника генерализоване нуклеарне сегментације за рачунарску патологију. ИЕЕЕ Транс Мед Имагинг 36(7):1550–1560

18. Кходатарс М, Схоеиби А, Садегхи Д, Гхаасем Н, Јафари М, Меридиан П, Кхадем А, Ализадехсани Р, Заре А, Конг И, Кхосрави А, Нахаванди С, Хуссаин С, Ацхариа УР, Берк М (2021) Дееп учење за дијагнозу засновану на неуроима и рехабилитацију поремећаја аутистичног спектра: преглед. Цомпут Биол Мед 139:104949. хттпс://дои.орг/10.1016/ј.цомпбиомед.2021.104949

19. Кингма ДП, Ба Ј (2015) Адам: Метода за стохастичку оптимизацију. У: Међународна конференција о представљању учења, том 9. арКсив:1412.6980в9 [цс.ЛГ]

20. Лал С, Дас Д, Алабхиа К, Канфаде А, Кумар А, Кини Ј (2021) НуцлеиСегНет: Робусна архитектура дубоког учења за сегментацију језгара хистопатолошких слика рака јетре. Цомпут Биол Мед 128:104075

21. Лал С, Канфаде А, Алабхиа К, Дсоуза Р, Кумар А, Цханцхал АК, Манеесх М, Периаил Г, Кини Ј (2020) Робустан метод за сегментацију језгара Х&Е обојених хистопатолошких слика. 7. ИЕЕЕ међународна конференција о обради сигнала и интегрисаним мрежама (СПИН2020), Амити Университи Делхи НЦР, Ноида, УП

22. Миллетари Ф, Наваб Н, Ахмади СА (2016) В-Нет: потпуно конволуционе неуронске мреже за волуметријску сегментацију медицинске слике, четврта међународна конференција о 3Д визији (3ДВ). Станфорд, Калифорнија. стр. 565–571. хттпс://дои.орг/10.1109/3ДВ.2016.79

23. Малекијоо А, Фадаеиеслам МЈ (2019) Архитектура конволуције-деконволуције са модулом за обједињавање пирамида за семантичку сегментацију. Мултимед Тоолс Аппл 78:32379–32392. хттпс://дои.орг/10.1007/с11042-019-07990-7

24. Ногуес И ет ал (2016) Аутоматска сегментација кластера лимфних чворова коришћењем холистички угнежђених неуронских мрежа и структурисане оптимизације у ЦТ сликама. Ин: Медицал имаге цомпутинг анд цомпутер ассистед интервентион – МИЦЦАИ 2016. Белешке са предавања из рачунарских наука, вол 9901. Спрингер, Цхам. хттпс://дои.орг/10.1007/978-3-319-46723-845

25. Наилор П, Лае М, Реиал Ф, Валтер Т (2019) Сегментација језгара у хистопатолошким сликама дубоком регресијом мапе удаљености. ИЕЕЕ Транс Мед Имагинг 38(2):448–459

26. Роннебергер О, Фисцхер П, Брок Т (2015) У-Нет: Цонволутионал нетворкс фор биомедицал имаге сегментатион. У: Проц. МИЦЦАИ. Спрингер, Минхен, Немачка, стр. 234–241

27. Слаоуи М, Фиетте Л (2011) Хистопатолошке процедуре: од узорковања ткива до хистопатолошке евалуације. Методе Мол Биол (Методе Протоц) 691:69–82

28. Сонг Т, Санцхез В, ЕИДали Х, Рајпоот НМ (2017) Двоканални активни контурни модел за сегментацију мегакариоцитних ћелија у хистолошким сликама трефина коштане сржи. ИЕЕЕ Транс Биомед Енг 64(12):2913–2923

29. Салехи СМ, ​​Ердогмус Д, Гхолипоур А (2017) Тверски функција губитка за сегментацију слике користећи 3Д потпуно конволуционе дубоке мреже. У: Проц, Инт Ворксхоп Мацх Леарн Мед Имаг. Спрингер, Цхам, Свитзерланд, стр. 379–387

30. Судре ЦХ, Ли В, Верцаутерен Т, Оурселин С, Цардосо МЈ (2017) Генерализовано преклапање коцкица као функција дубоког губитка учења за веома неуравнотежене сегментације. У: Дубоко учење у анализи медицинске слике и мултимодалном учењу за подршку клиничком одлучивању. Спрингер, стр. 240–248

31. Сцхлемпер Ј, Октаи О, Сцхаап М, Хеинрицх М, Каинз Б, Глоцкер Б, Руецкерт Д (2019) Мреже усмерене на пажњу: Учење да се искористе истакнути региони у медицинским сликама. Мед Имаге Анал 53 (ИССН 1361- 8415): 197–207

32. Схоеиби А, Кходатарс М, Ализадехсани Р, Гхассеми Н, Јафари М, Меридиан П, Кхадем А, Садегхи Д, Хуссаин С, Заре А, Сани ЗА, Базели Ј, Кхозеимех Ф, Кхосрави А, Нахаванди С, Ацхариа УР, Ши П (2020) Аутоматско откривање и предвиђање ковида-19 коришћењем техника дубоког учења: преглед. Машинско учење. арКсив:2007.10785 [цс.ЛГ]

33. Схоеиби А, Кходатарс М, Јафари М, Меридиан П, Резаеи М, Ализадехсани Р, Кхозеимех Ф, Горриз ЈМ, Херас Ј, Панахиазар М (2021) Примене техника дубоког учења за аутоматизовано откривање мултипле склерозе помоћу магнетне резонанце: А преглед, обрада слике и видеа. арКсив:2105.04881

34. Садегхи Д, Схоеиби А, Гхассеми Н, Меридиан П, Кхадем А, Ализадехсани Р, Тесхнехлаб М, Горриз ЈМ, Нахаванди С (2021) Преглед техника вештачке интелигенције за дијагнозу шизофреније: методе снимања магнетне резонанце , изазове и будуће радове. Машинско учење. арКсив:2103.03081

35. Сугино Т, Кавасе Т ет ал (2021) Пондери губитка за побољшање сегментације неуравнотежене структуре мозга коришћењем потпуно конволуционих мрежа, здравство. МДПИ 9(8):938

36. Веит А, Вилбер М, Белонгие С (2016) Резидуалне мреже се понашају као ансамбли релативно плитких мрежа. Неурал Инф Процесс Сист, стр. 550–558. арКсив:1605.06431

37. Вин КИ, Цхоомцхуаи С, Хамамото К (2017) К значи аутоматизована сегментација заснована на кластеризацији преклапајућих ћелијских језгара на сликама цитологије плеуралног излива. Међународна конференција о напредним технологијама за комуникације (АТЦ). стр. 265–269. хттпс://дои.орг/10.1109/АТЦ.2017.8167630

38. Зхоу С, Ние Д, Адели Е, Гао И, Ванг Л, Иин Ј, Схен Д (2018) Фино-зрнаста сегментација коришћењем хијерархијских проширених неуронских мрежа. У: Рачунање медицинске слике и интервенција уз помоћ рачунара, вол 11073. Спрингер, Цхам, пп 488-496

39. Зхоу С, Ние Д, Адели Е, Иин Ј, Лиан Ј, Схен Д (2020). У: ИЕЕЕ Трансацтионс он Имаге Процессинг, вол. 29, стр. 461–475. хттпс://дои.орг/10.1109/ТИП.2019.2919937

Амит Кумар Цханцхал 1 · Схиам Лал 1 ·Јиоти Кини 2

1 Департмент оф Елецтроницс анд Цоммуницатион Енгинееринг, Натионал Институте оф Тецхнологи Карнатака, Суратхкал, Мангалуру-575025, Карнатака, Индиа

2 Одељење за патологију, Кастурба Медицал Цоллеге Мангалоре, Манипал Ацадеми оф Хигхер Едуцатион, Манипал, Индија