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

  • پنجشنبه ۱۲ فروردین ۱۴۰۰
  • بازدید 52 نفر
  • 1 امتیاز2 امتیاز3 امتیاز4 امتیاز5 امتیاز (10 امتیاز از 2 رای)
    Loading...

translate convulsive neural network 23401 تصویر

 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 ۳ روش مبتنی بر خصوصیات دستی و استخراج ، بر روی دو گروه دادگان متفاوت که حدود ۱۵۷ تصاویر رنگی اوسین و هماتوکسیلین مربوط به سرطان سینه و ۱۳۷۶ 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 ۸۰ 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


شبیه سازی شبکه های کامپیوتری و مخابراتی

شبیه سازی شبکه های کامپیوتری و مخابراتی

مشاهده پروژه ها و مقالات شبیه سازی شده

مشاهده ویدئو در این باره

خوشحال خواهیم شد اگر نظر خودتون رو درباره این مطلب ثبت کنید

خطا!دکمه ریفریش را بزنید

    لیســــــــت پــــــــروژه های انتشــــــــار نشده ( 22 موضوع )

    مشاهده لیست کامل
    مشاهده لیست کامل
    مشاهده لیست کامل
    مشاهده لیست کامل
    socket programing آموزش برنامه نویسی آموزش سی شارپ اینترنت اشیا بازی تحت شبکه بازی تحت شبکه به زبان سی شارپ برنامه تحت شبکه با سی شارپ برنامه نویسی ترجمه مقاله ترجمه مقاله شبکه دانلود رایگان پروژه های دانشجویی دانلود سورس برنامه دانلود سورس رایگان دانلود نرم افزار دانلود پروژه دانشجویی دانلود پروژه رایگان دانلود پروژه های دانشجویی دانلود کتاب دانلود کتاب آموزشی دانلود کتاب اموزشی سورس رایگان سورس کد بازی تحت شبکه سورس کد بازی تحت شبکه با C# سورس کد بازی تحت شبکه چند نفره سوکت پروگرمین شبکه SDN شبیه سازی با نرم افزار R نحوه نوشتن برنامه تحت شبکه نرم افزار Rstudio پروژه arena پروژه matlab پروژه ns2 پروژه opnet پروژه ارنا پروژه سیمولینک matlab پروژه شبکه عصبی پروژه مهندسی صنایع پروژه مهندسی صنایع با ارنا پروژه های آماده با OpenGL پروژه های آماده با OpenGL در سی پلاس پلاس پروژه های آماده با ارنا پروژه های آماده برای درس گرافیک کامپیوتری پروژه هوش مصنوعی پروژه پردازش تصویر matlab پروژه پردازش سیگنال matlab