×

使用扩张卷积网络自动提取细胞核。 (英语) Zbl 1466.62413号

小结:通过目视检查苏木精和伊红(H&E)染色图像进行手动病理检查。然而,这个过程是劳动密集型的,容易出现大的变异,并且在肿瘤诊断中缺乏可重复性。我们的目标是开发一个自动工作流程,以提取在H&E染色图像的数字渲染中描绘的癌症肿瘤中发现的不同细胞核。对于给定的图像,我们提出了一种使用扩展卷积的语义像素分割技术。我们的扩展卷积网络(DCN)架构基于SegNet,这是一种深度卷积编解码架构。对于编码器,删除了SegNet中的所有最大池层,并用膨胀系数增加的膨胀卷积层替换卷积层,以保持图像分辨率。对于解码器,去除所有最大非冷却层,并用膨胀系数减小的膨胀卷积层替换卷积层,以消除网格伪影。我们表明,扩张卷积在从纹理图像中提取信息方面具有优越性。我们在合成数据集和H&E染色图像的公共可用数据集上测试了我们的DCN网络,取得了比现有技术更好的结果。

MSC公司:

62页第10页 统计学在生物学和医学中的应用;元分析
62H30型 分类和区分;聚类分析(统计方面)
62华氏35 多元分析中的图像分析
68吨10 模式识别、语音识别
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] V.Badrinarayan,A.Kendall和R.Cipolla,Segnet:用于图像分割的深度卷积编码器-解码器架构,IEEE传输。模式分析。机器。因特尔。, 39 (2017), 2481-2495.
[2] L.Chen,G.Papandreou,I.Kokkinos,K.Murphy和A.L.Yuille,Deeplab:使用深度卷积网络、反褶积和全连通crf进行语义图像分割,,IEEE传输。模式分析。机器。因特尔。, 40 (2018), 834-848.
[3] R.Hamaguchi、A.Fujita、K.Nemoto、T.Imaizumi和S.Hikosaka,有效利用膨胀卷积分割遥感图像中的小目标实例,2018 IEEE计算机视觉应用冬季会议(WACV),2018,URLhttp://arxiv.org/abs/170900179。
[4] N.Japkowicz;S.Stephen,《阶级失衡问题:系统研究》,《智能数据分析》,第6429-449页(2002年)·Zbl 1085.68628号 ·doi:10.3233/IDA-2002-6504
[5] 荣智健;M.Kang,图像恢复和分割的高效非光滑非凸优化,科学计算杂志,62336-370(2015)·Zbl 1320.65035号 ·doi:10.1007/s10915-014-9860-y
[6] A.汗;N.Rajpoot;D.Treanor;D.Magee,使用图像特定颜色反褶积在数字组织病理学图像中进行染色归一化的非线性映射方法,IEEE Trans。生物医学工程,611729-1738(2014)
[7] D.P.Kingma和J.L.Ba,Adam:随机优化方法2015年5月7日至9日在美国加利福尼亚州圣地亚哥举行的第三届国际学习代表大会,会议记录,2015,URLhttp://arxiv.org/abs/1412.6980。
[8] A.Krizhevsky,I.Sutskever和G.E.Hinton,深度卷积神经网络的Imagenet分类ACM通信,2017,1-9,网址http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf。
[9] N.Kumar;R.Verma;S.Sharma;S.Bhargava;A.瓦哈达内;A.Sethi,计算病理学广义核分割的数据集和技术,IEEE Trans。医学图像。,36, 1550-1560 (2017) ·doi:10.1109/TMI.2017.2677499
[10] Y.Lecun;博图乳杆菌;Y.Bengio;P.Haffner,基于梯度的学习应用于文档识别,IEEE会议记录,862278-2324(1998)·数字对象标识代码:10.1109/5.726791
[11] C.刘;M.Ng;T.Zeng,选择性图像分割的加权变分模型及其在医学图像中的应用,模式识别,76,367-379(2018)·doi:10.1016/j.patcog.2017.11.019
[12] MATLAB、,版本9.5(R2018b),The MathWorks Inc.,马萨诸塞州纳蒂克,2018年。
[13] H.Noh、S.Hong和B.Han,语义分割的学习反卷积网络2015 IEEE计算机视觉国际会议(ICCV)会议记录,ICCV’15,IEEE计算机学会,美国华盛顿特区,2015年,1520-1528年。
[14] N.Qian,关于梯度下降学习算法中的动量项,神经网络:国际神经网络学会官方期刊,12145-151(1999)·doi:10.1016/S0893-6080(98)00116-6
[15] E.莱因哈德;M.Adhikhmin;B.古奇;P.Shirley,图像之间的颜色转换,IEEE计算。图表。申请。,21, 34-41 (2001)
[16] O.Ronneberger、P.Fischer和T.Brox,《U网络:生物医学图像分割的卷积网络》,年医学图像计算和计算机辅助干预(MICCAI),LNCS第9351卷,Springer,2015234-241,URLhttp://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a,(在arXiv:1505.04597[cs.CV]上提供)。
[17] E.Shelhamer、J.Long和T.Darrell,语义分割的完全卷积网络,IEEE传输。模式分析。机器。因特尔。, 39 (2017), 640-651.
[18] K.Simonyan和A.Zisserman,用于大规模图像识别的极深卷积网络2015年5月7日至9日在美国加利福尼亚州圣地亚哥举行的第三届国际学习代表大会,会议记录,2015,URLhttp://arxiv.org/abs/1409.1556。
[19] F.Yu和V.Koltun,通过扩张卷积进行多尺度上下文聚合,CoRR公司,abs/1511.07122。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。