신장 및 유방 조직병리학 이미지의 핵 세분화를 위한 새로운 손실 기능을 갖춘 심층 구조화된 잔여 인코더-디코더 네트워크
Jul 11, 2023
추상적인
암 질환의 진단 및 치료 과정을 개선하기 위해 조직병리학 이미지에서 헤마톡실린 및 에오신(H&E) 염색된 세포 핵의 자동 세분화는 디지털 병리학의 첫 번째 단계입니다. 제안된 DSREDN(deep structured residual encoder-decoder network)은 두 가지 측면에 초점을 맞추고 있습니다. 첫째, 네트워크 전체에 걸쳐 잔여 연결을 효과적으로 활용하고 광범위하고 깊은 인코더-디코더 경로를 제공하여 관련 컨텍스트와 보다 지역화된 기능을 캡처할 수 있습니다. 둘째, 감지된 핵의 사라진 경계는 우리가 제안한 모델을 더 잘 훈련하고 특히 의료 응용 분야에서 바람직하지 않은 잘못된 예측을 줄이는 효율적인 손실 함수를 제안하여 해결됩니다. 제안된 아키텍처는 세 가지 공개적으로 사용 가능한 H&E 염색 조직병리학적 데이터 세트 즉, (I) 신장(RCC) (II) 삼중 음성 유방암(TNBC) (III) MoNuSeg-2018에서 실험했습니다. 우리는 F1-점수, AJI(Aggregated Jaccard Index), 총 매개변수 수 및 핵 세분화 비교를 위해 주로 선호되는 성능 측정 지표인 FLOP(부동 소수점 연산)를 고려했습니다. 평가된 핵 세분화 점수는 제안된 아키텍처가 3가지 다른 조직병리학 데이터 세트에서 5가지 최신 딥 러닝 모델에 비해 상당한 마진을 달성했음을 나타냅니다. 시각적 분할 결과는 제안된 DSREDN 모델이 최신 방법보다 더 정확하게 핵 영역을 분할함을 보여줍니다.
키워드
신장암 진단 및 예후 · 핵 분할 · 잔류 학습 · 조직병리학 이미지.
Cistanche의 효과를 보려면 여기를 클릭하십시오.
소개
최근 연구 동향에 따르면 딥 러닝 프레임워크는 분할, 감지 및 기타 컴퓨터 비전 작업에서 매우 잘 수행되었습니다. 지난 10년 동안 새로운 유형의 계산 시스템의 발전, 매우 깊은 네트워크를 훈련하기 위한 과적합 문제를 처리하는 적절한 전략, 딥러닝 네트워크에 적합한 많은 변화가 있었습니다. 염색된 조직병리학 이미지에서 헤마톡실린과 에오신(H & E)의 분할은 인공 병리학의 기본 전제 조건입니다. 조직병리학 슬라이드 준비는 Slaoui M et al. [27]에서 다음 단계에 따라: (I) 조직 수집 (II) 고정 (III) 임베딩 (IV) 절편화 (V) 파라핀 제거 (VI) 염색 (VII) 전체 슬라이드 이미징(WSI)으로 슬라이드 디지털화 . 미세한 바늘 흡인, 생검 바늘, 절제 생검 등 여러 가지 조직 수집 방법이 있습니다. 더 큰 생검은 작은 바늘 생검보다 더 많은 정보를 가지고 있습니다. 조직의 고정은 화학적 및 물리적 안정화를 위해 필요합니다. 기계로 쉽게 절단할 수 있도록 조직에 특정 모양을 부여하려면 임베딩이 필요합니다. 많은 얇은 슬라이드와 2차원 정보의 형태로 모든 3차원 조직 정보를 얻기 위해서는 절편이 필요합니다. 절개된 조직에서 파라핀을 제거하는 것이 중요합니다. 파라핀을 제거하지 않으면 조직이 일부 부분에서 약간 흐릿하게 보일 수 있습니다. 조직 슬라이드의 염색은 명시야 현미경에서 보이지 않거나 투명하지 않기 때문에 필요합니다. 조직 병리학 이미지에 가장 널리 사용되는 얼룩은 hematoxylin과 eosin입니다. 분할 작업은 전통적 또는 수작업 특징 추출 기술과 CNN 기반 딥 러닝 접근 방식으로 분류할 수 있습니다. 전통적인 분할 방법은 주로 유사성 기반 접근법, 불연속성 기반 접근법, 분수령 기법, 활성 윤곽선 방법 및 그 변형, 슈퍼픽셀 및 클러스터링 기반 방법 등을 기반으로 합니다. 유사성 기반 접근법은 Gonzalez RC et al. [8]에서 로컬 임계값, 전역 임계값, 적응형 임계값, Otsu의 임계값, 영역 성장, 영역 분할 및 병합을 기반으로 하며, 여기서 이러한 방법은 유사한 픽셀을 그룹화하고 분할하려고 합니다. 평평한 골짜기가 있는 이미지 히스토그램의 경우 유사성 기반 접근 방식이 잘 작동하지 않으며 임계값을 잘못 선택하면 이 경우 과도한 분할 및 과소 분할이 발생할 수 있습니다. 불연속성 기반 접근 방식은 점, 선 및 가장자리와 같이 어떤 방식으로 격리된 픽셀을 분할하려고 시도하며 마스크 처리 기반 접근 방식입니다. 이 방법은 다른 단계에서 다른 작업자가 필요합니다. Cousty J et al. [4]에서 분할, 병합 및 마커 제어 유역을 기반으로 유역 분할 방법을 제안했습니다. 유역 방법에서 감지된 경계는 셀 복잡성에 따라 다릅니다. Song Tet al. [28]에서 제안한 활성 윤곽선 분할은 객체 경계 감지를 위한 강도 정보와 로컬 에지 정보를 고려합니다. Albayrak A 등이 사용하는 슈퍼픽셀 세분화 방법. [1]에서 는 동일한 특징을 갖는 연결된 픽셀의 클러스터를 기반으로 합니다. 이웃 픽셀의 색상 및 좌표 정보를 고려합니다. 이 기술은 더 나은 지역 정보를 제공하지만 셀 분할의 경우에는 그다지 효과적이지 않습니다. Win KY 등이 제안한 클러스터링 기반 분할. [37]에서 유사성을 기반으로 그룹화를 수행합니다. 최근 연구에서 대부분의 저자는 심층 합성곱 신경망을 기반으로 한 분할 기법이 기존의 분할 방식보다 훨씬 우수한 성능을 보인다고 보고했습니다. CNN 기반 접근 방식에 대한 간략한 검토는 섹션 2에 나와 있습니다. 딥 러닝 세분화 방법도 많은 문제를 겪고 있습니다. 이러한 과제를 분류하면 다음과 같은 측면이 있습니다.
1. 조직 모양의 큰 변화와 조직의 등급 및 하위 등급의 다양한 스펙트럼으로 인해 인식하기 어렵습니다.
2. 복잡한 경계, 중첩된 경계, 사라지는 경계의 세분화는 쉬운 일이 아닙니다.
3. 감독 학습의 경우 Ground Truth를 준비하는 것도 큰 과제입니다. 예측 정확도는 주석이 달린 실측 정보에 따라 달라지므로 숙련된 병리학자의 감독이 필요합니다.
복잡한 조직 병리학 이미지의 경우 기존 방법은 과도하게 세분화되거나 세분화되지 않습니다. 제안된 접근법은 중첩되고 사라진 핵 영역을 조직병리학 이미지에서 분리하는 데 중점을 둡니다. 조직병리학 이미지에서 핵을 세분화하는 문제를 해결하기 위해 이 문서에서 우리의 기여는 다음과 같습니다.
1. 다단계 중간 기능을 강화하기 위해 우리가 제안한 DSREDN 모델은 잔차 학습의 강점을 효과적으로 활용했습니다.
2. 경험적 증거와 신중한 실험 및 분석을 통해 새로운 손실 함수를 제안했습니다. 시각적 결과 및 성능 매트릭스는 우리의 손실 기능이 최신 방법에 비해 모델을 더 잘 훈련하고 핵 영역을 정확하게 분할함을 나타냅니다.
시스탄체 튜불로사
관련된 일
셀 세분화 작업을 위한 대부분의 CNN 아키텍처는 특징 추출을 위한 인코더-디코더 경로로 구성됩니다. 최근 연구의 대부분은 훈련 전략 개선, 과적합 문제 처리, 더 나은 최적화 방법 및 더 나은 예측 정확도를 얻기 위한 기타 많은 전략과 같은 많은 잠재적 기회를 활용합니다. 그러나 많은 저자들이 매우 효율적인 결과를 보고했지만 정확하고 효율적인 분할 알고리즘은 조직병리학 이미지의 복잡성으로 인해 여전히 개방형 연구입니다. Ronneberger et al.의 중요한 공헌 중 하나입니다. [26]에서 UNet이라고 하는 것은 생물 의학 이미지 분할 분야에서 매우 좋은 방향과 극적인 돌파구를 제공합니다. UNet은 대칭 인코더-디코더 컨벌루션 네트워크이며 심층 네트워크의 상위 계층으로 기능을 추출할 수 있는 많은 기능 채널을 가지고 있습니다. (3 x 3) 컨볼루션 커널의 반복 적용 후 ReLU 활성화, (2 x 2) 최대 풀링 및 (2 x 2) 스트라이드 크기 2의 업샘플링, (1 x 1) 컨볼루션 후 시그모이드 활성화 마지막 레이어, 네트워크의 총 23개 레이어. [36]에서 Veit A et al. 실험을 통해 네트워크에 경로 모음이 있으면 훈련 중에 더 짧은 경로로 충분하거나 훈련 중에 매우 깊은 경로가 필요하지 않다는 것을 깨달았습니다. 이러한 다중 경로는 서로 강하게 의존하지 않으며 다중 유효 경로와의 원활한 상호 관계는 네트워크 성능을 향상시킵니다. [22]에서 Milletari F et al. 은 손실 함수로 주사위 손실을 활용하여 3차원 데이터에 대한 인코더-디코더 컨벌루션 네트워크를 제안했습니다. 경험적 평가는 강력한 불균형 데이터 세트에서 더 나은 성능을 달성합니다. [24]에서 Nogues I et al. 2개의 완전히 중첩된 감독 컨볼루션 네트워크와 구조화된 조건부 무작위 필드 최적화 전략에 의한 림프절 감지를 위한 아키텍처를 제안했습니다. 더 깊은 네트워크에서 정보의 열화는 Kaiming He et al.에 의해 해결되었습니다. [9]에서 훈련 및 최적화가 더 쉬운 심층 잔차 네트워크를 도입했습니다. 잔류 연결은 심층 네트워크에서 정보의 흐름을 복원하기 위해 하나 이상의 계층을 건너뛰는 방식으로 실현됩니다. 조직학적 개체의 세분화 및 감지를 위해 Chen H et al. [5]에서 보조 감독 하에서 다단계 정보를 추출하는 윤곽 인식 모델을 도입했습니다. [10]에서 Huang G et al. 원래 입력뿐만 아니라 이전 레이어 입력을 공급하여 입력 기능 맵의 전체 흐름을 강화하는 컨볼루션 네트워크를 제안했습니다. 그들의 실험은 또한 ID 매핑의 통합으로 인해 모델이 더 작은 기능을 학습하고 기울기 소실 문제를 줄인다는 것을 나타냅니다. 불균형한 데이터 세트의 경우 예측은 특히 의료 분야에서 허용할 수 없는 높은 정밀도와 낮은 재현율로 편향됩니다. 이 문제는 Salehi SM et al. [29]에서는 고도로 불균형한 데이터 세트로도 심층 네트워크를 교육하고 위음성 예측이 위양성보다 훨씬 더 위험한 곳에서 효과적으로 처리했습니다. Sudre CH et al.이 조사한 서로 다른 학습 속도에 따른 가중 교차 엔트로피 및 주사위 손실과 같은 손실 함수의 동작. [30], 의료 이미지 및 주택 데이터 세트. 그들의 실험은 불균형 수준이 증가함에 따라 중첩 측정 기반 손실 기능이 더 효과적이라는 것을 발견했습니다. Badrinarayanan V et al.의 SegNet이라는 인코더-디코더 아키텍처인 도로 및 실내 장면의 의미론적 분할을 위한 메모리 및 시간 측면에서 매우 효율적입니다. [3]에서. SegNet은 전송된 풀과 인코더의 저해상도 입력으로 업샘플링하는 희소 기능 디코더를 생성합니다. 경계 영역 근처를 정확하게 분할하려면 Zhou S et al. [38], 확장된 컨볼루션 블록이 있는 잔차 네트워크를 사용했습니다. 의미 있는 의미 정보를 검색하기 위해 많은 계층적 블록을 병렬로 활용합니다. 의료 분야에서 클래스 불균형 문제를 처리하거나 위음성 예측을 줄이기 위해 [11]의 Hashemi SR은 가장 낮은 표면 거리로 네트워크를 훈련시키는 Tversky 인덱스 기반 비대칭 유사성 손실이 있는 3D 밀도 CNN을 제안합니다. Naylor P et al.이 다룬 복잡한 경계 관련 분할 문제. [25]에서, 핵내 거리에 기초한 손실 함수를 공식화함으로써. 그들의 인코더-디코더 모델은 TNBC 및 MoNuSeg 데이터 세트로 실험한 FCN, FCN 플러스 PP, 마스크 R-CNN, U-Net 및 U-Net 플러스 PP를 능가합니다. Schlemper J et al.의 Attention Gate라는 추가 모듈을 통합하여 표준 인코더-디코더의 의미 있는 확장. [31]에서 Lal S et al. [20]에서 네트워크는 의미 있는 기능을 강조하면서 관련 없는 기능을 억제하는 방식으로 훈련됩니다. 도로 장면 분할 Malekijoo A et al. [23]에서 autoencoder 기반 모델을 활용하여 로컬 피처를 강화하기 위해 convolution, deconvolution 및 pyramid pooling을 적용했습니다. 현미경, MR 및 CT 이미지의 세분화를 위해 Zhou S et al. [39]에서 복잡한 경계를 정확하게 찾기 위해 의미 있는 연결을 연결했습니다. 병리학 이미지에서 핵의 세분화를 위해 Lal S et al. 모델[21]은 적응형 색상 디콘볼루션, 다중 스케일 임계값에 이어 형태학적 작업 및 기타 후처리 단계로 구성됩니다. 의료 영상의 세분화를 위해 Karimi D et al. [16]에서는 형태학적 연산 방법, 거리 변환 방법 및 서로 다른 반지름의 원형 컨볼루션 커널을 사용하여 Hausdorff 거리를 추정했습니다. Hausdorff 거리를 줄이는 방법을 사용하여 다양한 현미경 이미지에 대해 CNN을 훈련하고 그 결과를 일반적으로 사용되는 손실 함수와 비교합니다. Hanif MS et al. [12]에서 와이드 네트워크라 불리는 다수의 잔차 유닛을 쌓아서 경쟁적인 잔차 네트워크를 제안하였다. 그들의 연구는 그러한 넓은 네트워크의 성능이 깊고 얇은 네트워크보다 낫다는 결론을 내렸습니다. Chanchal AK et al. 및 Aatresh AA 외. [2, 6]에서는 핵 분할 작업을 위해 분리 가능한 컨볼루션 피라미드 풀링과 차원별 피라미드 풀링을 사용했습니다.
씨스탄슈 캡슐
제안된 아키텍처
현미경 이미지 분할의 경우 인코더-디코더 아키텍처가 가장 적합합니다. 인코더에 일반 컨볼루션 레이어와 최대 풀링 레이어가 있는 경우 이미지의 컨텍스트를 매우 효과적으로 캡처하기 때문입니다. 디코더 경로는 점진적으로 업샘플링을 적용하고 인코더에서 관련 기능을 수집하고 정확한 현지화를 가능하게 하여 출력을 제공합니다. 그림 1에 표시된 DSREDN 네트워크의 인코더 측에 있는 각 필터는 유연한 크기의 입력을 받아들입니다. 일반(3 x 3) 2D 표준 컨볼루션, 배치 정규화 및 최대 풀링을 적용했습니다. 네트워크에 더 깊이 들어가는 동안 포화 문제와 정보 손실을 방지하기 위해 네트워크의 기본 경로와 평행한 추가 경로를 만들어 하위 계층 정보를 복원했습니다. 이 두 경로는 서로 강한 상관 관계가 없으며 그래디언트 소실 문제를 방지합니다. 각 필터 크기에 대해 DSREDN 네트워크의 전체 인코더 측은 네트워크에서 보다 상황에 맞는 기능을 전달하는 데 초점을 맞춘 단일 회선 경로와 병렬로 연결된 3개의 회선 레이어로 구성됩니다. 최종 출력을 생성하는 디코더 경로의 효율성은 인코더 측의 컨텍스트 기능 수집에 따라 달라지므로 수집된 기능의 최적 처리를 위해 디코더 측에 약간 다른 경로가 있습니다. 이 절차를 통해 우리의 DSREDN 네트워크는 얇고 깊지 않고 넓고 깊어집니다. 크기(512 x 512 x 3)의 RGB 이미지로 훈련된 DSREDN 네트워크. 5개의 서로 다른 필터 크기를 갖는 인코더 경로의 5단계와 해당 디코더 경로는 (a) ReLU 활성화와 함께 커널 크기(3 x 3)의 2D 컨볼루션(b) 고해상도 레이어(c) 최대(2 x 2)로 구성됩니다. -이미지의 공간 크기를 줄이기 위한 인코더 경로의 풀링 계층과 연결 작업에 의해 인코더 측에서 컨텍스트 특징을 수집하기 위한 디코더 측의 해당(2 x 2) 업샘플링 계층(d) 최종 단계에서 a(1 x 1 ) 컨볼루션은 시그모이드 활성화를 통해 크기(512 x 512 x 16)를 (512 x 512 x 1)로 매핑하는 데 사용됩니다.
결론
이 논문은 자동 핵 분할의 두 가지 주요 문제를 해결하는 DSREDN(deep structured residual encoder-decoder network)이라는 CNN 기반 아키텍처를 제안했습니다. 첫 번째 주요 관심사는 많은 수의 아티팩트가 있는 광범위하게 다양한 스펙트럼을 갖는 조직병리학 이미지에서 핵을 식별하는 것이었습니다. 이 문제는 식별 능력이 더 높고 관련성 있고 압축된 텍스처 정보를 검색할 수 있는 두 개의 경로가 있는 강력한 인코더-디코더를 도입하여 해결되었습니다. 구현된 네트워크는 중간 기능을 강화하는 넓고 깊은 네트워크 경로를 통합하여 인코더-디코더 아키텍처뿐만 아니라 잔차 학습의 강점을 효과적으로 활용합니다. 세그먼테이션 작업의 두 번째 주요 이슈인 복잡하거나 소멸된 경계를 갖는 핵을 세그먼테이션하기 위해 세심한 실험과 분석을 통해 효율적인 손실 함수를 제안했습니다. 공개적으로 사용 가능한 세 가지 H&E 스테인드 조직병리학 데이터 세트에 대한 실험을 수행하여 가장 선호되는 성능 매트릭스 F1- 점수 및 AJI 점수를 사용했습니다. 제안된 프레임워크의 얻은 품질 메트릭 및 예측된 핵 영역은 최신 모델의 품질 메트릭과 비교하여 더 우수했습니다.
Cistanche 알약
제안된 모델이 우수한 결과를 생성했지만 고성능 특징 추출 모듈을 통합하여 특징 공간을 더욱 풍부하게 만들 수 있습니다. 또한, 제안된 방법은 더 많은 이미지 모달리티 작업을 위해 일반화될 수 있습니다. 이 연구는 조직 병리학 이미지의 이진 분할이며 여기서는 핵 영역만 분할할 수 있습니다. 앞으로는 이러한 핵 영역을 하위 유형으로 분류할 수 있습니다. Shoeibi A et al.에 의해 다양한 이미지 양식의 혁신적인 응용 프로그램이 거의 보고되지 않았습니다. [32, 33]에서 GAN(Generative Adversarial Network), RNN(Recurrent Neural Network), AE(Autoencoder), CNN(Convolutional Neural Network), DNN(Deep Neural Network) 및 기타 하이브리드 네트워크가 다음을 위해 개발되었습니다. COVID-19 및 다발성 경화증의 자동 감지. [18, 34]에서 Khodatars M et al. 및 Sadeghi D et al. 자폐 스펙트럼 장애 진단 및 정신분열병 진단을 위한 딥 러닝의 적용 가능성을 설명했습니다. 이러한 예는 컴퓨터 지원 진단 시스템 분야가 어떻게 빠르게 변화하고 있는지, 그리고 아직 집중되지 않은 수많은 응용 프로그램이 여전히 존재할 수 있음을 강조합니다.
Cistanchis가 신장 기능을 향상시키는 방법
Cistanche는 중국 전통 의학에서 신장 기능을 향상시키기 위해 오랫동안 사용되어 온 약초입니다. 페닐에타노이드 배당체 및 이리도이드와 같은 활성 성분으로 인해 다양한 이점이 있는 것으로 여겨집니다.
연구에 따르면 Cistanche는 신장 혈류를 개선하고 산화 스트레스를 줄이며 신장 건강을 지원하는 성장 인자 생성을 강화하여 신장 기능을 촉진할 수 있습니다. 또한 신장 건강에 중요한 요소인 혈압을 조절하고 염증을 줄이는 데 도움이 될 수 있습니다.
또한 Cistanche는 특정 약물이나 독소로 인한 신장 손상을 예방할 수 있는 가능성을 보여주었습니다. 염증 반응을 억제하고 세포 사멸을 줄임으로써 신장에 보호 효과가 있을 수 있습니다.
그러나 신장 기능을 향상시키는 Cistanche의 메커니즘과 효과를 완전히 이해하려면 추가 연구가 필요하다는 점에 유의하는 것이 중요합니다. 다른 약초 요법과 마찬가지로 약용으로 사용하기 전에 자격을 갖춘 의료 전문가와 상담하는 것이 좋습니다.
참조
1. Albayrak A, Bilgin G (2019) 2단계 슈퍼픽셀 기반 알고리즘을 통한 조직병리학적 이미지의 자동 세포 분할. 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) 조직병리학 이미지의 핵 분할을 위한 차원별 피라미드 풀링을 사용한 효율적인 딥 러닝 아키텍처. Comput Med 이미징 그래프 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975
3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: 이미지 분할을 위한 심층 컨벌루션 인코더-디코더 아키텍처. IEEE 트랜스 패턴 아날 마하 인텔 39(12):2481–2495
4. Cousty J, Bertrand G, Najman L, Couprie M (2010) 유역 절단: 간벌, 최단 경로 숲 및 위상 유역. IEEE 트랜스 패턴 아날 마하 인텔 32(5):925–939
5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: 정확한 글랜드 분할을 위한 심층 윤곽 인식 네트워크. 컴퓨터 비전 및 패턴 인식. arXiv:1604.02677v1 [cs.CV]
6. Chanchal AK, Kumar A, Lal S, Kini J (2021) 신장 및 유방 조직병리학 이미지의 세분화를 위한 효율적이고 강력한 딥 러닝 아키텍처. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177
7. Chanchal AK, Lal S, Kini J (2021) 조직병리학 이미지의 핵 분할을 위한 고해상도 딥 트랜스퍼 ASPPU-Net. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9
8. Gonzalez RC, Woods RE(2006) 디지털 이미지 처리, 3판. 프렌티스 홀, 뉴욕, 미국 ISBN-013168728X
9. He K, Zhang X, Ren S, Sun J (2016) 이미지 인식을 위한 심층 잔차 학습. 컴퓨터 비전 및 패턴 인식(CVPR)에 관한 2016 IEEE 컨퍼런스, 네바다 주 라스베이거스. 770–778쪽. https://doi.org/10.1109/CVPR.2016.90
10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) 조밀하게 연결된 컨볼루션 네트워크. 컴퓨터 비전 및 패턴 인식(CVPR)에 관한 IEEE 회의, 호놀룰루. 2261~2269쪽. https://doi.org/10.1109/CVPR.2017.243
11. Hashemi SR, Salehi SM, Erdogmus D, Prabhu SP, Warfield SK, Gholipour A (2019) 고도로 불균형한 의료 영상 분할을 위한 비대칭 손실 함수 및 심층 조밀 연결 네트워크: 다발성 경화증 병변 검출에 적용. In: IEEE 액세스, 7권, pp 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371
12. Hanif MS, Bilal M (2020) 이미지 분류를 위한 경쟁적 잔여 신경망. ICT 익스프레스 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001
13. Ioffe S, Szegedy C (2015) 배치 정규화: 내부 공변량 이동을 줄여 심층 네트워크 훈련 가속화. 기계 학습. arXiv:1502.03167
14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH(2015) 전산 병리학에서 핵 검출 및 세분화를 위한 크라우드소싱 이미지 주석: 전문가, 자동화된 방법 및 군중 평가. In: 바이오컴퓨팅에 관한 태평양 심포지엄(PSB), pp 294–305. https://doi.org/10.13140/2.1.4067.0721
15. Jadon S(2020) 의미론적 분할을 위한 손실 함수 조사. [온라인]. 유효한: arXiv:2006.14822
16. Karimi D, Salcudean SE(2020) 합성곱 신경망을 사용한 의료 영상 분할에서 Hausdorff 거리 줄이기. IEEE Trans Med 이미징 39(2):499–513
17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) 컴퓨터 병리학을 위한 일반화된 핵 세분화를 위한 데이터 세트 및 기술. IEEE Trans Med 이미징 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) 딥 자폐스펙트럼장애의 신경영상 기반 진단과 재활을 위한 학습: 고찰. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949
19. Kingma DP, Ba J (2015) Adam: 확률적 최적화 방법. In: 학습 표현에 관한 국제 회의, 9권. arXiv:1412.6980v9 [cs.LG]
20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: 간암 조직병리학 이미지의 핵 세분화를 위한 강력한 딥 러닝 아키텍처. 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) H&E 염색된 조직병리학 이미지의 핵 세분화를 위한 견고한 방법. 신호 처리 및 통합 네트워크에 관한 7차 IEEE 국제 회의(SPIN2020), Amity University Delhi NCR, Noida, UP
22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: 체적 의료 영상 분할을 위한 완전 컨벌루션 신경망, 3D 비전(3DV)에 관한 제4회 국제 회의. 스탠포드, 캘리포니아. 565~571쪽. https://doi.org/10.1109/3DV.2016.79
23. Malekijoo A, Fadaeieslam MJ (2019) 시맨틱 분할을 위한 피라미드 풀링 모듈을 사용한 컨볼루션-디컨볼루션 아키텍처. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7
24. Nogues I et al (2016) CT 이미지에서 전체적으로 중첩된 신경망 및 구조화된 최적화를 사용한 자동 림프절 클러스터 세분화. 에서: 의료 이미지 컴퓨팅 및 컴퓨터 지원 개입 – MICCAI 2016. 컴퓨터 과학 강의 노트, 9901권. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845
25. Naylor P, Lae M, Reyal F, Walter T (2019) 거리 지도의 심층 회귀에 의한 조직병리학 이미지의 핵 세분화. IEEE Trans Med 이미징 38(2):448–459
26. Ronneberger O, Fischer P, Brox T (2015) U-Net: 생의학 이미지 분할을 위한 컨볼루션 네트워크. 에서: 절차. 미카이. Springer, 독일 뮌헨, pp 234–241
27. Slaoui M, Fiette L (2011) 조직병리학 절차: 조직 샘플링에서 조직병리학적 평가까지. 방법 Mol Biol(방법 프로토콜) 691:69–82
28. Song T, Sanchez V, EIDaly H, Rajpoot NM(2017) 골수 천두 조직학 이미지에서 거핵세포 분할을 위한 이중 채널 활성 윤곽 모델. IEEE Trans Biomed Eng 64(12):2913–2923
29. Salehi SM, Erdogmus D, Gholipour A (2017) 3D 완전 합성곱 심층 네트워크를 사용한 이미지 분할을 위한 Tversky 손실 함수. In: Proc, Int Workshop Mach Learn Med Imag. Springer, 스위스 참, pp 379–387
30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) 매우 불균형한 세분화를 위한 딥 러닝 손실 함수로서 일반화된 주사위 중첩. 에서: 의료 이미지 분석의 딥 러닝 및 임상 의사 결정 지원을 위한 다중 모드 학습. 스프링거, 240~248페이지
31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) 주의 게이트 네트워크: 의료 이미지에서 돌출 영역을 활용하는 방법 학습. Med Image 항문 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) 딥 러닝 기술을 사용한 covid-19 자동 감지 및 예측: 리뷰. 기계 학습. 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) 자기 공명 영상을 사용한 자동 다발성 경화증 검출을 위한 딥 러닝 기술 적용: A 검토, 이미지 및 비디오 처리. arXiv:2105.04881
34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) 자기 공명 영상 양식에 기반한 정신 분열증 진단을 위한 인공 지능 기술에 대한 개요: 방법 , 과제 및 향후 작업. 기계 학습. arXiv:2103.03081
35. Sugino T, Kawase T et al (2021) 완전 컨볼루션 네트워크, 의료를 사용하여 불균형 뇌 구조 세분화를 개선하기 위한 손실 가중치. MDPI 9(8):938
36. Veit A, Wilber M, Belongie S (2016) 잔여 네트워크는 상대적으로 얕은 네트워크의 앙상블처럼 작동합니다. Neural Inf Process Syst pp 550–558. arXiv:1605.06431
37. Win KY, Choomchuay S, Hamamoto K (2017) K는 흉막 삼출액 세포학 이미지에서 겹치는 세포 핵의 클러스터링 기반 자동 세분화를 의미합니다. 첨단 통신 기술(ATC)에 관한 국제 회의. 265~269쪽. https://doi.org/10.1109/ATC.2017.8167630
38. Zhou S, Nie D, Adeli E, Gao Y, Wang L, Yin J, Shen D (2018) 계층적 확장 신경망을 사용한 미세 세분화. In: 의료 이미지 컴퓨팅 및 컴퓨터 지원 개입, vol 11073. Springer, Cham, pp 488-496
39. Zhou S, Nie D, Adeli E, Yin J, Lian J, Shen D (2020). In: 이미지 처리에 관한 IEEE 트랜잭션, vol 29, pp 461–475. https://doi.org/10.1109/TIP.2019.2919937
아미트 쿠마르 찬찰 1 · 샤얌 랄 1 ·죠티 키니 2
1 인도 Karnataka, Mangaluru-575025, Surathkal, Karnataka National Institute of Technology 전자통신공학과
2 Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, 인도 병리학과
