Rede codificadora-decodificadora residual estruturada profunda com uma nova função de perda para segmentação de núcleos de imagens de histopatologia de rim e mama

Abstrato

Para melhorar o processo de diagnóstico e tratamento da doença oncológica, a segmentação automática de núcleos celulares corados com hematoxilina e eosina (H & E) a partir de imagens histopatológicas é o primeiro passo na patologia digital. A rede de codificador-decodificador residual estruturada profunda (DSREDN) proposta se concentra em dois aspectos: primeiro, ela utilizou efetivamente conexões residuais em toda a rede e fornece um caminho de codificador-decodificador amplo e profundo, que resulta na captura de contexto relevante e recursos mais localizados. Em segundo lugar, o limite desaparecido dos núcleos detectados é abordado propondo uma função de perda eficiente que melhor treina nosso modelo proposto e reduz a falsa previsão que é indesejável, especialmente em aplicações de saúde. A arquitetura proposta experimentou três diferentes conjuntos de dados histopatológicos corados com H&E publicamente disponíveis, a saber: (I) Rim (RCC) (II) Câncer de Mama Triplo Negativo (TNBC) (III) MoNuSeg-2018. Consideramos o F1-score, Aggregated Jaccard Index (AJI), o número total de parâmetros e FLOPs (operações de ponto flutuante), que são as métricas de medida de desempenho preferidas para comparação de segmentação de núcleos. A pontuação avaliada da segmentação de núcleos indicou que a arquitetura proposta alcançou uma margem considerável em cinco modelos de aprendizado profundo de última geração em três conjuntos de dados de histopatologia diferentes. Os resultados da segmentação visual mostram que o modelo DSREDN proposto segmenta com precisão as regiões nucleares mais do que os métodos de última geração.

Palavras-chave

Diagnóstico e prognóstico do cancro do rim · Segmentação de núcleos · Aprendizagem residual · Imagens histopatológicas.

Clique aqui para conhecer os efeitos do Cistanche

Introdução

Tendências de pesquisa recentes mostram que a estrutura de aprendizado profundo teve um desempenho muito bom para segmentação, detecção e outras tarefas de visão computacional. Na última década, com o avanço de novos tipos de sistemas de computação, estratégias adequadas para lidar com problemas de overfitting para treinar redes muito profundas e muitas mudanças que são adequadas para redes de aprendizado profundo. A segmentação de hematoxilina e eosina (H & E) de imagens de histopatologia coradas é o pré-requisito primário em patologia artificial. As preparações de lâminas de histopatologia são discutidas por Slaoui M et al. em [27], pelas seguintes etapas: (I) Coleta de tecido (II) Fixação (III) Incorporação (IV) Seccionamento (V) Desparafinação (VI) Coloração (VII) Digitalização da lâmina por imagem da lâmina inteira (WSI) . Existem vários métodos de coleta de tecido que são aspiração com agulha fina, agulha de biópsia, biópsia excisional, etc. Uma biópsia maior tem mais informações do que uma biópsia com agulha pequena porque preserva o contexto celular grande das lâminas de histopatologia. A fixação do tecido é necessária para a estabilização química e física. A incorporação é necessária para dar uma forma particular ao tecido, de modo que possa ser facilmente cortado pelas máquinas. O corte é necessário para obter todas as informações tridimensionais do tecido na forma de muitas lâminas finas e informações bidimensionais. A remoção da parafina do tecido seccionado é importante, sem desparafinar o tecido pode parecer um pouco embaçado em algumas das porções. A coloração das lâminas de tecido é necessária porque não é visível ou meio transparente sob microscopia de campo claro. As colorações mais utilizadas para imagens histopatológicas são a hematoxilina e a eosina. As tarefas de segmentação podem ser categorizadas em técnicas de extração de recursos tradicionais ou artesanais e abordagens de aprendizado profundo baseadas em CNN. Os métodos de segmentação tradicionais são baseados principalmente na abordagem baseada em similaridade, abordagem baseada em descontinuidade, técnicas divisoras de águas, métodos de contorno ativo e suas variantes, métodos baseados em superpixel e agrupamento, etc. A abordagem baseada em similaridade discutida por Gonzalez RC et al. em [8], é baseado em limiarização local, limiarização global, limiarização adaptativa, limiarização de Otsu, crescimento de região, divisão de região e fusão, onde esses métodos tentam agrupar e segmentar pixels semelhantes. Para histogramas de imagem com vales planos, a abordagem baseada em similaridade não funciona bem e a seleção incorreta do valor limite pode resultar em segmentação excessiva e segmentação insuficiente neste caso. A abordagem baseada em descontinuidade tenta segmentar os pixels que estão isolados de alguma maneira, como pontos, linhas e arestas, e é uma abordagem baseada em processamento de máscara. Este método requer diferentes operadores em diferentes estágios. Cousty J et al. propuseram um método de segmentação de bacia hidrográfica em [4], com base na divisão, fusão e bacia hidrográfica controlada por marcadores. Os limites detectados no método watershed dependem da complexidade da célula. Canção T et al. propuseram a segmentação de contorno ativo em [28], onde consideram informações de intensidade e informações de borda local para a detecção de limites de objetos. O método de segmentação superpixel usado por Albayrak A et al. em [1], é baseado no cluster de pixels conectados com características idênticas. Ele considera as informações de cores e coordenadas dos pixels vizinhos. Esta técnica fornece melhores informações regionais, mas não é muito eficaz no caso de segmentação celular. A segmentação baseada em agrupamento proposta por Win KY et al. em [37], realiza o agrupamento com base em sua similaridade. Em trabalhos de pesquisa recentes, a maioria dos autores relatou que a técnica de segmentação baseada em uma rede neural convolucional profunda tem um desempenho muito melhor do que a abordagem de segmentação convencional. Uma revisão concisa da abordagem baseada em CNN é apresentada na Seção 2. Os métodos de segmentação de aprendizado profundo também sofrem de muitos desafios. Se categorizarmos esses desafios, eles se enquadrarão nos seguintes aspectos.

1. Devido a grandes variações na aparência do tecido e um espectro variado de classe e subclasse de tecidos, é difícil reconhecê-lo.

2. A segmentação de limites complexos, limites sobrepostos e limites que desaparecem não é uma tarefa fácil.

3. A preparação da verdade de campo no caso de aprendizagem supervisionada também é um grande desafio. A supervisão de patologistas experientes é necessária, pois a precisão da previsão depende da verdade anotada.

No caso de imagens de histopatologia complexas, os métodos convencionais sofrem ou supersegmentação ou subsegmentação. A abordagem proposta se concentra em separar as regiões nucleares sobrepostas e desaparecidas das imagens histopatológicas. Para enfrentar os desafios na segmentação de núcleos de imagens histopatológicas, nossas contribuições neste artigo são as seguintes.

1. Para fortalecer os recursos intermediários de vários níveis, nosso modelo DSREDN proposto utilizou efetivamente a força do aprendizado residual.

2. Por meio de evidências empíricas e experimentação e análise cuidadosas, propusemos uma nova função de perda. Os resultados visuais e as matrizes de desempenho indicam que nossa função de perda treina melhor o modelo e segmenta com precisão as regiões nucleares em comparação com os métodos de última geração.

cistanche tubulosa

Trabalho relatado

A maior parte da arquitetura CNN para a tarefa de segmentação de células consiste em um caminho codificador-decodificador para extração de recursos. Grande parte da pesquisa recente utiliza muitas oportunidades potenciais, como melhorar as estratégias de treinamento, lidar com problemas de overfitting, melhores métodos de otimização e muitas outras estratégias para obter uma melhor precisão de previsão. No entanto, muitos autores relataram seu resultado, que é muito eficiente, mas um algoritmo de segmentação preciso e eficiente ainda é uma pesquisa em aberto devido à complexidade das imagens histopatológicas. Uma das contribuições significativas de Ronneberger et al. em [26], chamado UNet, fornece uma direção muito boa e um grande avanço no campo da segmentação de imagens biomédicas. A UNet é uma rede convolucional codificadora-decodificadora simétrica e possui um grande número de canais de recursos que permitem extrair recursos para a camada superior em uma rede profunda. Aplicação repetida de (3 x 3) kernel de convolução seguido por ativação ReLU, (2 x 2) max-pooling e (2 x 2) up-sampling com tamanho de passo de 2 e (1 x 1) convolução seguida por ativação sigmoide em camada final, um total de 23 camadas na rede. Em [36], Veit A et al. perceberam por meio de seu experimento que, se uma rede tiver uma coleção de caminhos, um caminho mais curto é suficiente durante o treinamento ou um caminho muito profundo não é necessário durante o treinamento. Esses caminhos múltiplos não dependem fortemente uns dos outros e sua correlação suave com vários caminhos válidos aumenta o desempenho da rede. Em [22], Milletari F et al. propôs uma rede convolucional codificador-decodificador para dados tridimensionais, utilizando a perda de dados como uma função de perda. Sua avaliação empírica alcança melhor desempenho no conjunto de dados de desequilíbrio forte. Em [24], Nogues I et al. propuseram uma arquitetura para a detecção de linfonodos por duas redes convolucionais supervisionadas totalmente aninhadas e uma estratégia de otimização de campo aleatório condicional estruturada. A degradação da informação em uma rede mais profunda foi abordada por Kaiming He et al. em [9], introduzindo uma rede residual profunda que é mais fácil de treinar e otimizar. A conexão residual é realizada pulando uma ou mais camadas para restaurar o fluxo de informações em uma rede profunda. Para segmentação e detecção de objetos histológicos, Chen H et al. em [5], introduziu um modelo com reconhecimento de contorno que extrai informações de vários níveis sob supervisão auxiliar. Em [10], Huang G et al. propôs uma rede convolucional, que fortalece o fluxo geral do mapa de recursos de entrada, alimentando a entrada da camada anterior, bem como a entrada original. Seu experimento também indica que, devido à integração do mapeamento de identidade, o modelo aprende recursos mais compactos e reduz o problema do gradiente de fuga. No caso de um conjunto de dados desequilibrado, as previsões são tendenciosas para alta precisão e baixa recuperação, o que não é tolerável, especialmente na área médica. Este problema é abordado por Salehi SM et al. em [29], que treinou a rede profunda, mesmo com um conjunto de dados altamente desequilibrado, e lidou efetivamente onde a previsão de falsos negativos é muito mais perigosa do que falsos positivos. O comportamento de funções de perda, como entropia cruzada ponderada e perda de dados com diferentes taxas de aprendizado, examinadas por Sudre CH et al. em [30], em imagens médicas e conjuntos de dados domésticos. Seu experimento descobriu que, à medida que o nível de desequilíbrio aumenta, a função de perda baseada em medida de sobreposição é mais eficaz. Muito eficiente em termos de memória e tempo para segmentação semântica de cenas rodoviárias e internas, uma arquitetura codificadora-decodificadora chamada SegNet por Badrinarayanan V et al. em [3]. O SegNet gera um decodificador de recurso esparso que faz upsampling com o pool transferido e sua entrada de resolução mais baixa de seu codificador. Para segmentar com precisão perto das regiões limítrofes, Zhou S et al. [38], usou uma rede residual com um bloco de convolução dilatado. Eles utilizam muitos blocos hierárquicos em paralelo para recuperar informações semânticas significativas. Para lidar com problemas de desequilíbrio de classe ou reduzir predições falso-negativas na área da saúde, Hashemi SR em [11] propõe uma CNN 3D densa com perda de similaridade assimétrica baseada no índice de Tversky que treina a rede com a menor distância de superfície. Problema complexo de segmentação relacionado a limites abordado por Naylor P et al. em [25], formulando uma função de perda baseada na distância intranuclear. Seu modelo de codificador-decodificador supera FCN, FCN mais PP, Mask R-CNN, U-Net e U-Net mais PP experimentado com conjuntos de dados TNBC e MoNuSeg. Extensões significativas no codificador-decodificador padrão, incorporando um módulo adicional chamado de portão de atenção por Schlemper J et al. em [31], e atenção, bem como o mecanismo residual por Lal S et al. em [20], onde a rede é treinada de forma a suprimir características irrelevantes enquanto destaca a característica significativa. Para a segmentação da cena da estrada, Malekijoo A et al. em [23], utilizou o modelo baseado em autoencoder onde convolução, deconvolução e agrupamento de pirâmide foram aplicados para reforçar o recurso local. Para a segmentação de imagens microscópicas, RM e TC, uma arquitetura de codificador-decodificador de Zhou S et al. em [39], conectou conexões significativas para localizar com precisão os limites complexos. Para a segmentação de núcleos em imagens de patologia, o Lal S et al. modelo [21], consiste em deconvolução adaptativa de cores, limiarização multiescala seguida de operações morfológicas e outras etapas de pós-processamento. Para a segmentação de imagens médicas, uma nova função de perda de Karimi D et al. em [16], distância de Hausdorff estimada usando o método de operação morfológica, método de transformação de distância e núcleos circularmente convolutos de diferentes raios. Utilizando métodos de redução da distância de Hausdorff, eles treinam CNN para várias imagens de microscopia e comparam seus resultados com uma função de perda comumente usada. Hanif MS et al. em [12], propuseram uma rede residual competitiva empilhando várias unidades residuais, chamada de rede ampla. O estudo concluiu que o desempenho de uma rede tão ampla é melhor do que a rede profunda e fina. Chanchal AK et al. e Aatresh AA et al. em [2, 6], usou pooling de pirâmide de convolução separável e pooling de pirâmide dimensional para tarefas de segmentação de núcleos.

Cápsulas Cistanche

Arquitetura proposta

Para a segmentação de imagens de microscopia, uma arquitetura de codificador-decodificador é mais adequada porque, se um codificador tiver camadas de convolução regulares e camadas de agrupamento máximo, ele capturará o contexto na imagem com muita eficiência. O caminho do decodificador apresenta a saída aplicando gradualmente a amostragem, coletando recursos relevantes do codificador e permitindo uma localização precisa. Cada um dos filtros no lado do codificador da rede DSREDN mostrado na Fig. 1 aceita entrada de tamanho flexível. aplicamos convolução padrão 2D regular (3 x 3), normalização de lote e agrupamento máximo. Para evitar problemas de saturação e perda de informações ao aprofundar a rede, restauramos as informações da camada inferior criando um caminho adicional paralelo ao caminho principal da rede. Esses dois caminhos não estão fortemente correlacionados entre si e evita problemas de gradiente de desaparecimento. Para cada um dos tamanhos de filtro, todo o lado do codificador da rede DSREDN consiste em três camadas de convolução em paralelo com um único caminho complicado focado no fluxo do recurso mais contextual na rede. Como a eficácia do caminho do decodificador para gerar a saída final depende da coleta de recursos contextuais do lado do codificador, temos um caminho ligeiramente diferente no lado do decodificador para o processamento ideal do recurso coletado. Por esse procedimento, nossa rede DSREDN se torna ampla e profunda em vez de fina e profunda. Rede DSREDN treinada com imagens RGB de tamanho (512 x 512 x 3). Cinco estágios do caminho do codificador com cinco tamanhos de filtro diferentes e o caminho do decodificador correspondente consistem em (a) convolução 2D do tamanho do kernel (3 x 3) com ativação ReLU (b) Uma camada de alta resolução (c) (2 x 2) máx. -camada de agrupamento no caminho do codificador para reduzir o tamanho espacial da imagem e camada de upsampling correspondente (2 x 2) no lado do decodificador para coletar recursos contextuais do lado do codificador por operação de concatenação (d) No estágio final a (1 x 1 ) a convolução é usada para mapear o tamanho (512 x 512 x 16) para (512 x 512 x 1) com ativação sigmoide.

Conclusão

Este artigo propôs uma arquitetura baseada em CNN chamada rede codificadora-decodificadora residual estruturada profunda (DSREDN), que abordou duas preocupações principais na segmentação automática de núcleos. A primeira grande preocupação foi identificar núcleos a partir de imagens histopatológicas com espectro bastante variado e com grande número de artefatos. Este problema foi resolvido através da introdução de um poderoso codificador-decodificador com dois caminhos que têm mais capacidade discriminativa e foram capazes de recuperar informações texturais compactas e relevantes. As redes implementadas aproveitam efetivamente a força do aprendizado residual, bem como a arquitetura do codificador-decodificador, incorporando caminhos de rede amplos e profundos que fortalecem os recursos intermediários. Propusemos uma função de perda eficiente por meio de experimentação e análise cuidadosas para segmentar os núcleos com limites complexos ou fugazes, que eram o segundo maior problema na tarefa de segmentação. Usamos as matrizes de desempenho mais preferidas F1-pontuação e pontuação AJI realizando experimentos nos três diferentes conjuntos de dados histopatológicos corados de H&E publicamente disponíveis. As métricas de qualidade obtidas e as regiões nucleares previstas do arcabouço proposto foram melhores em comparação com as dos modelos de última geração.

Comprimidos Cistanche

Embora o modelo proposto tenha produzido excelentes resultados, o espaço de recursos pode ser enriquecido ainda mais com a incorporação de um módulo de extração de recursos de alto desempenho. Além disso, o método proposto pode ser generalizado para trabalhar em mais modalidades de imagem. Este estudo é uma segmentação binária de imagens de histopatologia, aqui podemos apenas segmentar as regiões nucleares. No futuro, podemos classificar essas regiões nucleares em seus subtipos. Poucas aplicações inovadoras de diferentes modalidades de imagem foram relatadas por Shoeibi A et al. em [32, 33], em que redes generativas adversárias (GANs), redes neurais recorrentes (RNNs), autoencoders (AEs), redes neurais convolucionais (CNNs), redes neurais profundas (DNNs) e outras redes híbridas foram desenvolvidas para detecção automatizada de COVID-19 e esclerose múltipla. Em [18, 34], Khodatars M et al. e Sadeghi D et al. ilustrou a aplicabilidade da aprendizagem profunda para o diagnóstico de transtorno do espectro autista e detecção de doenças esquizofrênicas. Esses exemplos destacam como o campo dos sistemas de diagnóstico auxiliado por computador está mudando rapidamente e que ainda pode haver inúmeras aplicações que ainda não foram focadas.

Como Cistanchis Melhora a Função Renal

Cistanche é uma erva medicinal que há muito é usada na medicina tradicional chinesa para melhorar a função renal. Acredita-se que tenha vários benefícios devido aos seus componentes ativos, como glicosídeos feniletanóides e iridóides.

Estudos sugerem que Cistanche pode promover a função renal, melhorando o fluxo sanguíneo renal, reduzindo o estresse oxidativo e aumentando a produção de fatores de crescimento que sustentam a saúde renal. Além disso, pode ajudar a regular a pressão arterial e reduzir a inflamação, fatores importantes para a saúde dos rins.

Além disso, Cistanche demonstrou o potencial de proteção contra danos nos rins causados ​​por certos medicamentos ou toxinas. Pode ter um efeito protetor nos rins, inibindo as respostas inflamatórias e reduzindo a morte celular.

No entanto, é importante observar que mais pesquisas são necessárias para entender completamente os mecanismos e a eficácia do Cistanche em melhorar a função renal. Como acontece com qualquer remédio à base de ervas, é aconselhável consultar um profissional de saúde qualificado antes de usá-lo para fins medicinais.

Referências

1. Albayrak A, Bilgin G (2019) Segmentação automática de células em imagens histopatológicas por meio de algoritmos baseados em superpixel de dois estágios. 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) Arquitetura eficiente de aprendizado profundo com agrupamento de pirâmide dimensionada para segmentação de núcleos de imagens de histopatologia. Comput Med Imaging Graph 93:101975. https://doi.org/10.1016/j.compmedimag.2021.101975

3. Badrinarayanan V, Kendall A, Cipolla R (2017) Segnet: Uma arquitetura codificadora-decodificadora convolucional profunda para segmentação de imagens. IEEE Trans Pattern Anal Mach Intell 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Cortes de bacias hidrográficas: Desbastes, florestas de caminho mais curto e bacias hidrográficas topológicas. IEEE Trans Pattern Anal Mach Intell 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: redes com reconhecimento de contorno profundo para segmentação precisa da glândula. Visão Computacional e Reconhecimento de Padrões. arXiv:1604.02677v1 [cs.CV]

6. Chanchal AK, Kumar A, Lal S, Kini J (2021) Arquitetura de aprendizagem profunda eficiente e robusta para segmentação de imagens de histopatologia renal e mamária. Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. Chanchal AK, Lal S, Kini J (2021) ASPPU-Net de transferência profunda de alta resolução para segmentação de núcleos de imagens histopatológicas. Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. Gonzalez RC, Woods RE (2006) Processamento de imagens digitais, 3ª ed. Prentice Hall, Nova York, EUA. ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) Aprendizagem residual profunda para reconhecimento de imagem. Conferência IEEE 2016 sobre visão computacional e reconhecimento de padrões (CVPR), Las Vegas, NV. páginas 770–778. https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) Redes convolucionais densamente conectadas. Conferência IEEE sobre visão computacional e reconhecimento de padrões (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) Funções de perda assimétrica e redes densamente conectadas profundas para segmentação de imagens médicas altamente desequilibradas: aplicação à detecção de lesões de esclerose múltipla. Em: IEEE Access, vol 7, pp 1721–1735. https://doi.org/10.1109/ACCESS.2018.2886371

12. Hanif MS, Bilal M (2020) Rede neural residual competitiva para classificação de imagens. ICT Express 6(1):28–37. https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) Normalização em lote: acelerando o treinamento de rede profunda reduzindo o deslocamento interno de covariáveis. Aprendizado de Máquina. arXiv:1502.03167

14. Irshad H, Kouhsari LM, Waltz G, Bucur O, Nowak JA, Dong F, Knoblauch NW, Beck AH (2015) Anotação de imagem de crowdsourcing para detecção e segmentação de núcleo em patologia computacional: avaliando especialistas, métodos automatizados e a multidão. In: Pacific Symposium on biocomputing (PSB), pp 294–305. https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) Uma pesquisa sobre funções de perda para segmentação semântica. [On-line]. Disponível: arXiv:2006.14822

16. Karimi D, Salcudean SE (2020) Reduzindo a distância de Hausdorff na segmentação de imagens médicas com redes neurais convolucionais. IEEE Trans Med Imaging 39(2):499–513

17. Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) Um conjunto de dados e uma técnica para segmentação nuclear generalizada para patologia computacional. 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 aprendizagem para diagnóstico baseado em neuroimagem e reabilitação do Transtorno do Espectro do Autismo: Uma revisão. Comput Biol Med 139:104949. https://doi.org/10.1016/j.compbiomed.2021.104949

19. Kingma DP, Ba J (2015) Adam: Um método para otimização estocástica. In: Conferência internacional sobre representações de aprendizagem, vol 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: Arquitetura robusta de aprendizado profundo para a segmentação de núcleos de imagens histopatológicas de câncer de fígado. 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) Um método robusto para segmentação de núcleos de imagens histopatológicas coradas com H&E. 7ª conferência internacional IEEE sobre processamento de sinais e redes integradas (SPIN2020), Amity University Delhi NCR, Noida, UP

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: redes neurais totalmente convolucionais para segmentação volumétrica de imagens médicas, quarta conferência internacional sobre visão 3D (3DV). Stanford, Califórnia. páginas 565–571. https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A, Fadaeieslam MJ (2019) Arquitetura de convolução-deconvolução com o módulo de agrupamento de pirâmide para segmentação semântica. Multimed Tools Appl 78:32379–32392. https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) Segmentação automática de agrupamento de linfonodos usando redes neurais aninhadas holisticamente e otimização estruturada em imagens de TC. In: Computação de imagens médicas e intervenção assistida por computador – MICCAI 2016. Notas de palestras em ciência da computação, vol 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845

25. Naylor P, Lae M, Reyal F, Walter T (2019) Segmentação de núcleos em imagens histopatológicas por regressão profunda do mapa de distância. IEEE Trans Med Imaging 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: redes convolucionais para segmentação de imagens biomédicas. Em: Proc. MICCAI. Springer, Munique, Alemanha, pp 234–241

27. Slaoui M, Fiette L (2011) Procedimentos de histopatologia: da amostragem de tecido à avaliação histopatológica. Methods Mol Biol (Methods Protoc) 691:69–82

28. Song T, Sanchez V, EIDaly H, Rajpoot NM (2017) Modelo de contorno ativo de canal duplo para segmentação de células megacariocíticas em imagens de histologia de trefina da medula óssea. IEEE Trans Biomed Eng 64(12):2913–2923

29. Salehi SM, Erdogmus D, Gholipour A (2017) Função de perda de Tversky para segmentação de imagem usando redes profundas totalmente convolucionais 3D. In: Proc, Int Workshop Mach Learn Med Imag. Springer, Cham, Suíça, pp 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) Dados generalizados se sobrepõem como uma função de perda de aprendizado profundo para segmentações altamente desbalanceadas. In: Aprendizagem profunda na análise de imagens médicas e aprendizagem multimodal para suporte à decisão clínica. Springer, pp 240–248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) Redes fechadas de atenção: aprendendo a alavancar regiões salientes em imagens médicas. 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) Detecção automatizada e previsão de covid-19 usando técnicas de aprendizado profundo: uma revisão. Aprendizado de Máquina. 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) Aplicações de técnicas de aprendizado profundo para detecção automatizada de esclerose múltipla usando ressonância magnética: A revisão, imagem e processamento de vídeo. arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) Uma visão geral sobre técnicas de inteligência artificial para o diagnóstico de esquizofrenia com base em modalidades de ressonância magnética: métodos , desafios e trabalhos futuros. Aprendizado de Máquina. arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) Ponderações de perda para melhorar a segmentação da estrutura cerebral desequilibrada usando redes totalmente convolucionais, assistência médica. MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) Redes residuais se comportam como conjuntos de redes relativamente rasas. Neural Inf Process Syst pp 550–558. arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K significa segmentação automatizada baseada em agrupamento de núcleos celulares sobrepostos em imagens de citologia de derrame pleural. Conferência internacional sobre tecnologias avançadas para comunicações (ATC). páginas 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) Segmentação refinada usando redes neurais dilatadas hierárquicas. In: Computação de imagens médicas e intervenção assistida por computador, vol 11073. Springer, Cham, pp 488-496

39. Zhou S, Nie D, Adeli E, Yin J, Lian J, Shen D (2020). Em: 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 Departamento de Engenharia Eletrônica e de Comunicações, Instituto Nacional de Tecnologia de Karnataka, Surathkal, Mangaluru-575025, Karnataka, Índia

2 Departamento de Patologia, Kasturba Medical College Mangalore, Manipal Academy of Higher Education, Manipal, Índia