شبکه عصبی کانولوشنی برای طبقه بندی اپیتلیال و استرومال در تصاویر آسیب شناسی

 مقاله شبکه عصبی کانولوشنی برای طبقه بندی اپیتلیال و استرومال در تصاویر آسیب شناسی

مقاله A Deep Convolutional Neural Network for segmenting and classifying epithelial and stromal regions in histopathological images

در این پست ترجمه مقاله شبکه عصبی کانولوشنی برای طبقه بندی مناطق اپیتلیال و استرومال در تصاویر آسیب شناسی را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور کاملا رایگان دانلود بفرمایید.

چکیده مقاله

در تصاویر آسیب شناسی دو نمونه بافت به نام های استرومال و اپیتلیال وجود دارد. دسته بندی خودکار بافت های EP وST در موقع گسترش سیستم های کامپیوتری برای بررسی ریز محیط تومورها مهم می باشد. در این بخش از مقاله، یک یادگیری مبتنی بر شبکه عصبی کانولوشنی عمیق برای طبقه بندی خودکار مناطق EP و ST از ریز آرایه بافت تومور که دیجیتال هستند، نمایش داده می شود. روش های صورت گرفته بر پایه و اساس ویژگی های دستی مانند الگو های باینری محلی، ترکیب، رنگ، در دسته بندی دو ناحیه می باشند. در مقایسه با روش های مبتنی بر خصوصیات های دستی، که با بیان مبتنی بر وظیفه مربوط است، DCNN یک استخراج کننده ی خصوصیات سراسری می باشد که می تواند به صورت مستقیم از میزان شدت پیکسل خام بافت EP و ST به صورت داده محور یاد گرفته شود. این خصوصیات های سطح بالا در ساخت یک طبقه بندی کننده ی نظارت شده برای تمیز دو نوع از بافت ها سهیم می باشند. در این روش، ما طرح DCNN را به صورت 3 روش مبتنی بر خصوصیات دستی و استخراج ، بر روی دو گروه دادگان متفاوت که حدود 157 تصاویر رنگی اوسین و هماتوکسیلین مربوط به سرطان سینه و 1376 تصاویر رنگی سیستم ایمنی بافتی مربوط به سرطان روده ی بزرگ می باشند، را مورد مقایسه قرار می دهیم.

مقدمه

بافت استرومال از بافت فیبر و چربی تشکیل شده که رگ های لنفی، رگ های خونی، لوبولها و مجراها را احاطه کرده و چارچوبی حمایت کننده برای یک اعضای بدن می باشند. بافت اپیتلیال یک بافت سلولی است که در لوبولی مجاری شیر سینه و سیستم مجرایی وجود دارد حدود 80 درصد از تومور های سینه در سلول های اپیتلیال سینه می باشند. گرچه بافت استرومال به عنوان یک بافت خطرناک در نظر گرفته نمی شود، دگرگونی های انجام شده در استروما باعث حملات متاستاز و تومور می شود. از اینرو، نسبت تومور استروما در بافت های هیستولوژیک از لحاظ تشخیصی از اهمیت شایانی برخوردار می باشد چرا که رشد و پیشرفت سرطان وابسته به ریز محیط های مربوط به بافت های EP و ST می باشد.

چکیده انگلیسی

Epithelial (EP) and stromal (ST) are two types of tissues in histological images. Automated segmentation or classification of EP and ST tissues is important when developing computerized system for analyzing the tumor microenvironment. In this paper, a Deep Convolutional Neural Networks (DCNN) based feature learning is presented to automatically segment or classify EP and ST regions from digitized tumor tissue microarrays (TMAs). Current approaches are based on handcraft feature representation, such as color, texture, and Local Binary Patterns (LBP) in classifying two regions. Compared to handcrafted feature based approaches, which involve task dependent representation, DCNN is an end-to-end feature extractor that may be directly learned from the raw pixel intensity value of EP and ST tissues in a data driven fashion. These high-level features contribute to the construction of a supervised classifier for discriminating the two types of tissues. In this work we compare DCNN based models with three handcraft feature extraction based approaches on two different datasets which consist of 157 Hematoxylin and Eosin (H&E) stained images of breast cancer and 1376 immunohistological (IHC) stained images of colorectal cancer, respectively. The DCNN based feature learning approach was shown to have a F1 classification score of 85%, 89%, and 100%, accuracy (ACC) of 84%, 88%, and 100%, and Matthews Correlation Coefficient (MCC) of 86%, 77%, and 100% on two H&E stained (NKI and VGH) and IHC stained data, respectively. Our DNN based approach was shown to outperform three handcraft feature extraction based approaches in terms of the classification of EP and ST regions.

منبع : sciencedirect.com