Rete codificatore-decodificatore residua a struttura profonda con una nuova funzione di perdita per la segmentazione dei nuclei delle immagini istopatologiche del rene e della mammella

Astratto

Per migliorare il processo di diagnosi e trattamento della malattia del cancro, la segmentazione automatica dei nuclei cellulari colorati con ematossilina ed eosina (H & E) dalle immagini istopatologiche è il primo passo nella patologia digitale. La proposta rete codificatore-decodificatore residuo a struttura profonda (DSREDN) si concentra su due aspetti: in primo luogo, ha utilizzato efficacemente connessioni residue in tutta la rete e fornisce un percorso codificatore-decodificatore ampio e profondo, che risulta per catturare il contesto rilevante e caratteristiche più localizzate. In secondo luogo, il confine scomparso dei nuclei rilevati viene affrontato proponendo un'efficiente funzione di perdita che addestra meglio il nostro modello proposto e riduce la falsa previsione che è indesiderabile, specialmente nelle applicazioni sanitarie. L'architettura proposta è stata sperimentata su tre diversi set di dati istopatologici colorati H&E pubblicamente disponibili, vale a dire: (I) Rene (RCC) (II) Cancro al seno triplo negativo (TNBC) (III) MoNuSeg-2018. Abbiamo considerato il punteggio F1-, l'indice Jaccard aggregato (AJI), il numero totale di parametri e i FLOP (operazioni in virgola mobile), che sono per lo più metriche di misurazione delle prestazioni preferite per il confronto della segmentazione dei nuclei. Il punteggio valutato della segmentazione dei nuclei ha indicato che l'architettura proposta ha raggiunto un margine considerevole su cinque modelli di deep learning all'avanguardia su tre diversi set di dati istopatologici. I risultati della segmentazione visiva mostrano che il modello DSREDN proposto segmenta accuratamente le regioni nucleari più di quelle dei metodi all'avanguardia.

Parole chiave

Diagnosi e prognosi del cancro del rene · Segmentazione dei nuclei · Apprendimento residuo · Immagini istopatologiche.

Clicca qui per conoscere gli effetti di Cistanche

introduzione

Le recenti tendenze della ricerca mostrano che il framework di deep learning ha funzionato molto bene per la segmentazione, il rilevamento e altre attività di visione artificiale. Nell'ultimo decennio, con l'avanzamento di nuovi tipi di sistemi di calcolo, strategie adeguate per gestire i problemi di overfitting per addestrare reti molto profonde e molti cambiamenti adatti alle reti di deep learning. La segmentazione di ematossilina ed eosina (H & E) da immagini istopatologiche colorate è il prerequisito principale nella patologia artificiale. Le preparazioni dei vetrini istopatologici sono discusse da Slaoui M et al. in [27], mediante le seguenti fasi: (I) Raccolta dei tessuti (II) Fissazione (III) Inclusione (IV) Sezionamento (V) Deparaffinazione (VI) Colorazione (VII) Digitalizzazione del vetrino mediante imaging dell'intero vetrino (WSI) . Esistono diversi metodi di raccolta dei tessuti che sono l'aspirazione con ago sottile, l'ago per biopsia, la biopsia escissionale, ecc. Una biopsia più grande ha più informazioni di una biopsia con ago piccolo perché preserva l'ampio contesto cellulare dei vetrini istopatologici. La fissazione del tessuto è necessaria per la stabilizzazione chimica e fisica. L'inclusione è necessaria per dare una forma particolare al tessuto tale da poter essere facilmente tagliato dalle macchine. Il sezionamento è necessario per ottenere tutte le informazioni sui tessuti tridimensionali sotto forma di molti vetrini sottili e informazioni bidimensionali. La rimozione della paraffina dal tessuto sezionato è importante, senza deparaffinazione il tessuto potrebbe apparire un po' sfocato in alcune parti. La colorazione dei vetrini tissutali è necessaria perché non è visibile o in qualche modo trasparente al microscopio in campo chiaro. Le colorazioni più utilizzate per le immagini istopatologiche sono l'ematossilina e l'eosina. Le attività di segmentazione possono essere classificate in tecniche di estrazione delle caratteristiche tradizionali o artigianali e approcci di deep learning basati sulla CNN. I metodi di segmentazione tradizionali si basano principalmente sull'approccio basato sulla somiglianza, sull'approccio basato sulla discontinuità, sulle tecniche di spartiacque, sui metodi di contorno attivi e sulle loro varianti, sui superpixel e sui metodi basati sul clustering, ecc. L'approccio basato sulla somiglianza discusso da Gonzalez RC et al. in [8], si basa su soglia locale, soglia globale, soglia adattiva, soglia di Otsu, crescita della regione, suddivisione della regione e fusione, dove questi metodi tentano di raggruppare e segmentare pixel simili. Per istogrammi di immagini con valli piatte, l'approccio basato sulla somiglianza non funziona bene e la selezione errata del valore di soglia può causare in questo caso sovrasegmentazione e sottosegmentazione. L'approccio basato sulla discontinuità cerca di segmentare quei pixel che sono isolati in qualche modo come punti, linee e bordi, ed è un approccio basato sull'elaborazione della maschera. Questo metodo richiede diversi operatori in diverse fasi. CoustyJ et al. ha proposto un metodo di segmentazione dei bacini idrografici in [4], basato sullo spartiacque diviso, unito e controllato da marcatori. I confini rilevati nel metodo dello spartiacque dipendono dalla complessità cellulare. Canzone T et al. hanno proposto la segmentazione del contorno attivo in [28], dove considerano le informazioni sull'intensità e le informazioni sui bordi locali per il rilevamento dei confini degli oggetti. Il metodo di segmentazione superpixel utilizzato da Albayrak A et al. in [1], si basa sul cluster di pixel connessi aventi caratteristiche identiche. Considera le informazioni sul colore e sulle coordinate dei pixel vicini. Questa tecnica fornisce migliori informazioni regionali ma non è molto efficace nel caso della segmentazione cellulare. Segmentazione basata su cluster proposta da Win KY et al. in [37], esegue il raggruppamento in base alla loro somiglianza. In un recente lavoro di ricerca, la maggior parte degli autori ha riferito che la tecnica di segmentazione basata su una rete neurale convoluzionale profonda funziona molto meglio dell'approccio di segmentazione convenzionale. Una breve rassegna dell'approccio basato sulla CNN è presentata nella Sezione 2. Anche i metodi di segmentazione del deep learning soffrono di molte sfide. Se classifichiamo queste sfide, rientreremo nei seguenti aspetti.

1. A causa delle grandi variazioni dell'aspetto dei tessuti e di un variegato spettro di classi e sottoclassi di tessuti, è difficile da riconoscere.

2. La segmentazione di confini complessi, confini sovrapposti e confini evanescenti non è un compito facile.

3. Anche la preparazione della verità fondamentale nel caso dell'apprendimento supervisionato è una grande sfida. È necessaria la supervisione di patologi esperti poiché l'accuratezza della previsione dipende dalla verità fondamentale annotata.

Nel caso di immagini istopatologiche complesse, i metodi convenzionali soffrono di sovrasegmentazione o sottosegmentazione. L'approccio proposto si concentra sulla separazione delle regioni nucleari sovrapposte e scomparse dalle immagini istopatologiche. Per affrontare le sfide nella segmentazione dei nuclei dalle immagini istopatologiche, i nostri contributi in questo documento sono i seguenti.

1. Per rafforzare le caratteristiche intermedie multilivello, il nostro modello DSREDN proposto ha utilizzato efficacemente la forza dell'apprendimento residuo.

2. Attraverso l'evidenza empirica e un'attenta sperimentazione e analisi, abbiamo proposto una nuova funzione di perdita. I risultati visivi e le matrici delle prestazioni indicano che la nostra funzione di perdita addestra meglio il modello e segmenta accuratamente le regioni nucleari rispetto ai metodi più avanzati.

Cistanche tubulosa

Lavoro correlato

La maggior parte dell'architettura CNN per l'attività di segmentazione cellulare consiste in un percorso codificatore-decodificatore per l'estrazione delle caratteristiche. Gran parte della ricerca recente utilizza molte potenziali opportunità come il miglioramento delle strategie di allenamento, la gestione dei problemi di overfitting, migliori metodi di ottimizzazione e molte altre strategie per ottenere una migliore precisione di previsione. Tuttavia, molti autori hanno riportato il loro risultato che è molto efficiente ma un algoritmo di segmentazione accurato ed efficiente è ancora una ricerca aperta a causa della complessità delle immagini istopatologiche. Uno dei contributi significativi di Ronneberger et al. in [26], chiamato UNet, fornisce un'ottima direzione e un notevole passo avanti nel campo della segmentazione delle immagini biomediche. UNet è una rete convoluzionale codificatore-decodificatore simmetrico e dispone di un gran numero di canali di funzionalità che consentono di estrarre funzionalità al livello superiore in una rete profonda. Applicazione ripetuta del kernel di convoluzione (3 x 3) seguito dall'attivazione di ReLU, (2 x 2) max-pooling e (2 x 2) up-sampling con dimensione del passo di 2 e (1 x 1) convoluzione seguita dall'attivazione del sigmoide a livello finale, un totale di 23 livelli nella rete. In [36], Veit A et al. hanno realizzato attraverso il loro esperimento che se una rete ha una raccolta di percorsi, durante l'allenamento è sufficiente un percorso più breve o non è richiesto un percorso molto profondo durante l'allenamento. Questi percorsi multipli non dipendono fortemente l'uno dall'altro e la loro corretta correlazione con più percorsi validi aumenta le prestazioni della rete. In [22], Milletari F et al. ha proposto una rete convoluzionale codificatore-decodificatore per dati tridimensionali utilizzando la perdita di dadi come funzione di perdita. La loro valutazione empirica ottiene prestazioni migliori sul set di dati di forte squilibrio. In [24], Nogues I et al. ha proposto un'architettura per il rilevamento dei linfonodi mediante due reti convoluzionali supervisionate completamente nidificate e una strategia di ottimizzazione del campo casuale condizionale strutturata. Il degrado delle informazioni in una rete più profonda è stato affrontato da Kaiming He et al. in [9], introducendo una rete residua profonda che è più facile da addestrare e ottimizzare. La connessione residua viene realizzata saltando uno o più livelli per ripristinare il flusso di informazioni in una rete profonda. Per la segmentazione e il rilevamento di oggetti istologici, Chen H et al. in [5], ha introdotto un modello consapevole del contorno che estrae informazioni multilivello sotto supervisione ausiliaria. In [10], Huang G et al. ha proposto una rete convoluzionale, che rafforza il flusso complessivo della mappa delle caratteristiche di input alimentando l'input del livello precedente e l'input originale. Il loro esperimento indica anche che grazie all'integrazione della mappatura dell'identità, il modello apprende caratteristiche più compatte e riduce il problema del gradiente di fuga. Nel caso di un set di dati squilibrato, le previsioni sono orientate verso un'elevata precisione e un basso ricordo che non è tollerabile, specialmente in campo medico. Questo problema è affrontato da Salehi SM et al. in [29], che ha addestrato la rete profonda, anche con un set di dati altamente squilibrato, e gestito in modo efficace dove la previsione falsa negativa è molto più pericolosa del falso positivo. Il comportamento delle funzioni di perdita come l'entropia incrociata ponderata e la perdita di dadi con diversi tassi di apprendimento esaminati da Sudre CH et al. in [30], su immagini mediche e set di dati domestici. Il loro esperimento ha scoperto che quando il livello di squilibrio aumenta la sovrapposizione della funzione di perdita basata sulla misura è più efficace. Molto efficiente in termini di memoria e tempo per la segmentazione semantica di strade e scene interne, un'architettura codificatore-decodificatore chiamata SegNet di Badrinarayanan V et al. in [3]. SegNet genera un decodificatore di funzionalità sparse che esegue l'upsampling con il pool trasferito e il suo input a risoluzione inferiore dal suo codificatore. Per segmentare con precisione vicino alle regioni di confine Zhou S et al. [38], ha utilizzato una rete residua con un blocco di convoluzione dilatato. Utilizzano molti blocchi gerarchici in parallelo per recuperare informazioni semantiche significative. Per gestire i problemi di squilibrio di classe o ridurre le previsioni false negative nell'assistenza sanitaria, Hashemi SR in [11] propone una CNN densa 3D con perdita di somiglianza asimmetrica basata sull'indice Tversky che addestra la rete con la distanza superficiale più bassa. Complesso problema di segmentazione relativo ai confini affrontato da Naylor P et al. in [25], formulando una funzione di perdita basata sulla distanza intranucleare. Il loro modello di codificatore-decodificatore supera FCN, FCN plus PP, Mask R-CNN, U-Net e U-Net plus PP sperimentati con set di dati TNBC e MoNuSeg. Estensioni significative nel codificatore-decodificatore standard incorporando un modulo aggiuntivo chiamato porta dell'attenzione di Schlemper J et al. in [31], e l'attenzione così come il meccanismo residuo di Lal S et al. in [20], dove la rete è addestrata in modo tale da sopprimere le caratteristiche irrilevanti mentre evidenzia la caratteristica significativa. Per la segmentazione della scena stradale Malekijoo A et al. in [23], ha utilizzato il modello basato sull'autoencoder in cui sono stati applicati convoluzione, deconvoluzione e raggruppamento piramidale per rafforzare la caratteristica locale. Per la segmentazione di immagini microscopiche, RM e CT un'architettura codificatore-decodificatore di Zhou S et al. in [39], collegate connessioni significative per localizzare con precisione i confini complessi. Per la segmentazione dei nuclei nelle immagini patologiche, Lal S et al. modello [21], consiste in deconvoluzione cromatica adattiva, sogliatura multiscala seguita da operazioni morfologiche e altre fasi di post-elaborazione. Per la segmentazione delle immagini mediche, una nuova funzione di perdita di Karimi D et al. in [16], distanza stimata di Hausdorff utilizzando il metodo dell'operazione morfologica, il metodo di trasformazione della distanza e nuclei circolarmente contorti di diversi raggi. Utilizzando metodi di riduzione della distanza di Hausdorff, addestrano la CNN per varie immagini al microscopio e confrontano i loro risultati con una funzione di perdita comunemente usata. Hanif SM et al. in [12], ha proposto una rete residua competitiva sovrapponendo più unità residue chiamate rete ampia. Il loro studio ha concluso che le prestazioni di una rete così ampia sono migliori della rete profonda e sottile. Chanchal AK et al. e Aatresh AA et al. in [2, 6], ha utilizzato il raggruppamento piramidale di convoluzione separabile e il raggruppamento piramidale dimensionale per le attività di segmentazione dei nuclei.

Capsule di cistanche

Architettura proposta

Per la segmentazione delle immagini di microscopia, un'architettura codificatore-decodificatore è la più adatta perché se un codificatore ha livelli di convoluzione regolari e livelli di max-pooling, acquisisce il contesto nell'immagine in modo molto efficace. Il percorso del decodificatore presenta l'output applicando gradualmente l'up-sampling, raccogliendo le caratteristiche rilevanti dal codificatore e consentendo una localizzazione precisa. Ciascuno dei filtri nel lato encoder della rete DSREDN mostrato in Fig. 1, accetta input di dimensioni flessibili. abbiamo applicato convoluzione standard 2D regolare (3 x 3), normalizzazione batch e max-pooling. Per evitare problemi di saturazione e perdita di informazioni durante l'approfondimento della rete, abbiamo ripristinato le informazioni di livello inferiore creando un percorso aggiuntivo parallelo al percorso principale della rete. Questi due percorsi non sono fortemente correlati tra loro ed evitano problemi di gradiente evanescenti. Per ciascuna delle dimensioni del filtro, l'intero lato codificatore della rete DSREDN è costituito da tre livelli di convoluzione in parallelo con un singolo percorso convoluto che si concentrava sul flusso della caratteristica più contestuale nella rete. Poiché l'efficacia del percorso del decodificatore per generare l'output finale dipende dalla raccolta di caratteristiche contestuali dal lato del codificatore, abbiamo un percorso leggermente diverso dal lato del decodificatore, per l'elaborazione ottimale della caratteristica raccolta. Con questa procedura, la nostra rete DSREDN diventa ampia e profonda anziché sottile e profonda. Rete DSREDN addestrata con immagini RGB di dimensioni (512 x 512 x 3). Cinque fasi del percorso del codificatore con cinque diverse dimensioni del filtro e il corrispondente percorso del decodificatore sono costituite da (a) convoluzione 2D della dimensione del kernel (3 x 3) con attivazione ReLU (b) Uno strato ad alta risoluzione (c) (2 x 2) max -pooling layer nel percorso del codificatore per ridurre la dimensione spaziale dell'immagine e corrispondente (2 x 2) up-sampling layer sul lato decoder per raccogliere caratteristiche contestuali dal lato encoder tramite operazione di concatenazione (d) Nella fase finale a (1 x 1 ) viene utilizzata per mappare la dimensione (512 x 512 x 16) a (512 x 512 x 1) con l'attivazione del sigmoide.

Conclusione

Questo articolo ha proposto un'architettura basata su CNN chiamata DSREDN (Decoder Encoder-Decoder Residuo Strutturato Profondo), che ha affrontato due problemi principali nella segmentazione automatica dei nuclei. La prima grande preoccupazione era quella di identificare i nuclei dalle immagini istopatologiche aventi uno spettro molto vario con un gran numero di artefatti. Questo problema è stato risolto introducendo un potente codificatore-decodificatore dotato di due percorsi che hanno una maggiore capacità discriminativa e sono in grado di recuperare informazioni tessiturali rilevanti e compatte. Le reti implementate sfruttano efficacemente la forza dell'apprendimento residuo e dell'architettura codificatore-decodificatore incorporando percorsi di rete ampi e profondi che rafforzano le caratteristiche intermedie. Abbiamo proposto un'efficiente funzione di perdita attraverso un'attenta sperimentazione e analisi per segmentare i nuclei con confini complessi o evanescenti che erano il secondo problema principale nell'attività di segmentazione. Abbiamo utilizzato le matrici di prestazioni preferite F1-punteggio e punteggio AJI eseguendo esperimenti sui tre diversi set di dati istopatologici colorati H&E disponibili pubblicamente. Le metriche di qualità ottenute e le regioni nucleari previste del quadro proposto erano migliori rispetto a quelle dei modelli allo stato dell'arte.

Pillole di cistanche

Sebbene il modello proposto abbia prodotto risultati eccellenti, lo spazio delle caratteristiche può essere ulteriormente arricchito incorporando un modulo di estrazione delle caratteristiche ad alte prestazioni. Inoltre, il metodo proposto può essere generalizzato per lavorare su più modalità di immagine. Questo studio è una segmentazione binaria di immagini istopatologiche, qui possiamo solo segmentare le regioni nucleari. In futuro, potremo classificare queste regioni nucleari nei loro sottotipi. Poche applicazioni innovative di diverse modalità di immagine sono state riportate da Shoeibi A et al. in [32, 33], in cui sono state sviluppate per lo rilevamento automatico di COVID-19 e sclerosi multipla. In [18, 34], Khodatars M et al. e Sadeghi D et al. ha illustrato l'applicabilità del deep learning per la diagnosi del disturbo dello spettro autistico e il rilevamento della malattia della schizofrenia. Questi esempi evidenziano come il campo dei sistemi di diagnosi assistita da computer stia cambiando rapidamente e che potrebbero esserci ancora numerose applicazioni su cui non ci si è ancora concentrati.

Come Cistanchis migliora la funzione renale

Cistanche è un'erba medicinale che è stata a lungo utilizzata nella medicina tradizionale cinese per migliorare la funzione renale. Si ritiene che abbia vari benefici grazie ai suoi componenti attivi, come i glicosidi feniletanoidi e gli iridoidi.

Gli studi suggeriscono che Cistanche può promuovere la funzione renale migliorando il flusso sanguigno renale, riducendo lo stress ossidativo e aumentando la produzione di fattori di crescita che supportano la salute dei reni. Inoltre, può aiutare a regolare la pressione sanguigna e ridurre l'infiammazione, che sono fattori importanti per la salute dei reni.

Inoltre, Cistanche ha mostrato il potenziale nella protezione contro i danni ai reni causati da alcuni farmaci o tossine. Può avere un effetto protettivo sui reni inibendo le risposte infiammatorie e riducendo la morte cellulare.

Tuttavia, è importante notare che sono necessarie ulteriori ricerche per comprendere appieno i meccanismi e l'efficacia di Cistanche nel migliorare la funzione renale. Come con qualsiasi rimedio a base di erbe, è consigliabile consultare un professionista sanitario qualificato prima di utilizzarlo per scopi medicinali.

Riferimenti

1. Albayrak A, Bilgin G (2019) Segmentazione cellulare automatica in immagini istopatologiche tramite algoritmi basati su superpixel a due stadi. 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) Efficiente architettura di apprendimento profondo con raggruppamento piramidale dimensionale per la segmentazione dei nuclei delle immagini istopatologiche. Comput Med Imaging Grafico 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: un'architettura codificatore-decodificatore convoluzionale profonda per la segmentazione delle immagini. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Tagli spartiacque: diradamenti, foreste a percorso più breve e bacini idrografici topologici. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: reti profonde consapevoli del contorno per un'accurata segmentazione della ghiandola. Visione artificiale e riconoscimento di schemi. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Architettura di deep learning efficiente e robusta per la segmentazione delle immagini istopatologiche di reni e mammelle. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) Rete ASPPU trasferita in profondità ad alta risoluzione per la segmentazione dei nuclei delle immagini istopatologiche. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Elaborazione digitale delle immagini, 3a ed. Prentice Hall, New York, USA. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Apprendimento residuo profondo per il riconoscimento delle immagini. Conferenza IEEE 2016 su visione artificiale e riconoscimento di modelli (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) Reti convoluzionali densamente connesse. Conferenza IEEE su computer vision e pattern recognition (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) Funzioni di perdita asimmetrica e reti profonde e densamente connesse per la segmentazione di immagini mediche altamente sbilanciate: applicazione al rilevamento di lesioni da sclerosi multipla. In: Accesso IEEE, vol 7, pp 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Rete neurale residua competitiva per la classificazione delle immagini. ICT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Normalizzazione batch: accelerazione dell'addestramento della rete profonda riducendo lo spostamento della covariata interna. Apprendimento automatico. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Annotazione di immagini di crowdsourcing per il rilevamento e la segmentazione del nucleo nella patologia computazionale: valutazione di esperti, metodi automatizzati e la folla. In: Pacific Symposium on biocomputing (PSB), pp 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) Un'indagine sulle funzioni di perdita per la segmentazione semantica. [In linea]. Disponibile: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Riduzione della distanza di Hausdorff nella segmentazione delle immagini mediche con reti neurali convoluzionali. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Un set di dati e una tecnica per la segmentazione nucleare generalizzata per la patologia computazionale. 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 apprendimento per la diagnosi basata sul neuroimaging e la riabilitazione del disturbo dello spettro autistico: una revisione. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: un metodo per l'ottimizzazione stocastica. In: Conferenza internazionale sulle rappresentazioni dell'apprendimento, vol 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: robusta architettura di apprendimento profondo per la segmentazione dei nuclei delle immagini istopatologiche del cancro al fegato. 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) Un metodo robusto per la segmentazione dei nuclei di immagini istopatologiche colorate con H&E. 7a conferenza internazionale IEEE sull'elaborazione del segnale e le reti integrate (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: reti neurali completamente convoluzionali per la segmentazione volumetrica delle immagini mediche, quarta conferenza internazionale sulla visione 3D (3DV). Stanford, California. pp 565-571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Architettura di convoluzione-deconvoluzione con il modulo di raggruppamento piramidale per la segmentazione semantica. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Segmentazione automatica dei cluster dei linfonodi utilizzando reti neurali nidificate in modo olistico e ottimizzazione strutturata nelle immagini CT. In: Medical image computing e intervento assistito dal computer – MICCAI 2016. Dispense di informatica, vol 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845

25. Naylor P, Lae M, Reyal F, Walter T (2019) Segmentazione dei nuclei nelle immagini istopatologiche mediante regressione profonda della mappa della distanza. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: reti convoluzionali per la segmentazione di immagini biomediche. In: Proc. MICCAI. Springer, Monaco, Germania, pp 234–241

27. Slaoui M, Fiette L (2011) Procedure di istopatologia: dal campionamento dei tessuti alla valutazione istopatologica. Metodi Mol Biol (Metodi Protoc) 691:69–82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Modello di contorno attivo a doppio canale per la segmentazione delle cellule megacariocitiche nelle immagini istologiche del midollo osseo. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Funzione di perdita di Tversky per la segmentazione delle immagini utilizzando reti profonde completamente convoluzionali 3D. In: Proc, Int Officina Mach Impara Med Imag. Springer, Cham, Svizzera, pp 379-387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) I dadi generalizzati si sovrappongono come funzione di perdita di apprendimento profondo per segmentazioni altamente sbilanciate. In: Apprendimento approfondito nell'analisi delle immagini mediche e apprendimento multimodale per il supporto alle decisioni cliniche. Springer, pp 240-248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Reti controllate dall'attenzione: imparare a sfruttare le regioni salienti nelle immagini mediche. 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) Rilevamento e previsione automatizzati di covid-19 utilizzando tecniche di deep learning: una revisione. Apprendimento automatico. 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) Applicazioni delle tecniche di deep learning per il rilevamento automatico della sclerosi multipla mediante risonanza magnetica: A revisione, elaborazione di immagini e video. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Una panoramica sulle tecniche di intelligenza artificiale per la diagnosi della schizofrenia basate sulle modalità di risonanza magnetica: metodi , sfide e lavori futuri. Apprendimento automatico. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Ponderazione delle perdite per migliorare la segmentazione della struttura cerebrale squilibrata utilizzando reti completamente convoluzionali, assistenza sanitaria. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Le reti residue si comportano come insiemi di reti relativamente poco profonde. Neural Inf Process Syst pp 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K significa segmentazione automatizzata basata sul clustering dei nuclei cellulari sovrapposti nelle immagini citologiche del versamento pleurico. Conferenza internazionale sulle tecnologie avanzate per le comunicazioni (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) Segmentazione a grana fine utilizzando reti neurali dilatate gerarchiche. In: Elaborazione di immagini mediche e intervento assistito da computer, vol 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 Dipartimento di ingegneria elettronica e delle comunicazioni, Istituto nazionale di tecnologia Karnataka, Surathkal, Mangaluru-575025, Karnataka, India

2 Dipartimento di Patologia, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, India