این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۸، شماره ۲، صفحات ۲۵-۴۱
عنوان فارسی نرمال‌سازی رنگ تصاویر بافت‌آسیب‌شناسی با استفاده از شبکه‌های مولد تخاصمی شرطی
چکیده فارسی مقاله تشخیص سرطان عمدتاً توسط تجزیه و تحلیل بصری آسیب‌شناس، با بررسی مورفولوژی برش‌های بافت تحت میکروسکوپ انجام می‌شود. اگر تصویر میکروسکوپی یک نمونه رنگ‌آمیزی نشود بدون رنگ و بافت به نظر می‌رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه‌ها به رنگ‌آمیزی شیمیایی نیاز دارند. در حین آماده‌سازی بافت، با توجه به ترکیبات شیمیایی گوناگون، اسکنرهای متنوع و تنوع در انواع بیمارها، بافت‌های مشابه معمولاً در ظاهر متفاوت هستند. این تنوع بالا در رنگ‌آمیزی علاوه بر اختلاف تفسیری در بین آسیب‌شناسان، یکی از چالش‌های اصلی در طراحی سیستم‌های قدرتمند و انعطاف‌پذیر برای تجزیه و تحلیل خودکار است. استراتژی‌های مختلفی از نرمال‌سازی رنگ به‌عنوان یک مرحله پیش‌پردازش در خط لوله سیستم‌های خودکار پیشنهاد شده است. روشPix2Pix که برگرفته شده از شبکه‌های مولد تخاصمی شرطی(cGAN) می‌باشد، یکی از روش‌های قدرتمند و با توانمندی بالا برای حل مسائل انتقال تصویر به تصویر است. نوآوری اصلی این مقاله ارائه‌ی یک روش جدید و قدرتمند برای نرمال‌سازی رنگ تصاویر بافت‌آسیب شناسی با استفاده از روش Pix2Pix است که با استفاده از مجموعه داده Mitos-Atypia14 پیاده‌سازی و ارزیابی شده است. در روش پیشنهادی تصاویر در مقیاس خاکستری به‌ عنوان ورودی به شبکه داده می‌شود و سپس شبکه یاد می‌گیرد که با حفظ ساختار و الگوی هیستوپاتولوژی بافت تصویر ورودی را به یک سبک رنگ‌آمیزی خاص مجدداً رنگ‌آمیزی می‌کند. این روش در مقایسه با روش‌های پیشین که به یک تصویر مرجع درستی وابسته بودند، از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می‌کند. روش پیشنهادی در مقایسه با برخی از بهترین روش‌هایی که تاکنون ارائه شده‌اند، در هر دو ارزیابی کمی و کیفی نتایج بهتری را به دست آورده است. همچنین به عنوان نوآوری دیگر، روش پیشنهادی در کاربرد بالینی طبقه‌بندی بافت سینه بر روی مجموعه داده PatchCamelyon اعمال و مورد آزمایش قرار گرفته است، که نتایج حاصل، بهبود 5 درصدی AUC را نشان می‌دهد.
کلیدواژه‌های فارسی مقاله یادگیری عمیق، شبکه‌های مولد تخاصمی شرطی، انتقال تصویر به تصویر، تصاویر هیستوپاتولوژی، نرمال‌سازی رنگ،
عنوان انگلیسی Stain Normalization of Histopathology Images using conditional Generative Adversarial Networks (cGAN)
چکیده انگلیسی مقاله The diagnosis of cancer is mainly performed by visual analysis of pathologists through examining the morphology of the tissue slices under a microscope. If the microscopic image of a specimen is not stained, it will look colorless and without texture. Therefore, chemical staining is required to create adequate contrast and help identify specific tissue components. During tissue preparation due to differences in chemicals, scanners, and types of illness, similar tissues are usually varied significantly in appearance. This diversity in staining, in addition to interpretive disparity among pathologists, is one of the main challenges in designing robust and flexible systems for automated analysis. Various strategies for stain normalization have been proposed as a pre-processing step in the pipeline of the automated systems. The pix2pix methodwhich is derived from the conditional Generative Adversarial Networks (cGAN) is one of the powerful methods for solving image-to-image translation problems. The main innovation of this paper is to present a new powerful method for the stain normalization of histopathology images using the Pix2Pix method, which is implemented and evaluated on the Mitos-Atypia-14 dataset.In the proposed method, grayscale images are given as input to the network, and then the system learns to restain the texture of the input image in a specific coloring style by preserving the structure and corresponding histopathological pattern. This method, compared to previous methods that relied on a reference image, instead uses the distribution of all images in the learning phase. The proposed method has achieved significant resultsboth in quantitative and qualitative evaluations comparing to some well-known methods in the literature.Moreover, as another innovation, the proposed method tested in a clinical use-case, namely breast cancer tumor classification,using the PatchCamelyon datasetand itshowsa 5% increase in the AUC parameter.
کلیدواژه‌های انگلیسی مقاله یادگیری عمیق, شبکه‌های مولد تخاصمی شرطی, انتقال تصویر به تصویر, تصاویر هیستوپاتولوژی, نرمال‌سازی رنگ
نویسندگان مقاله پگاه صالحی |
دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات -گرایش سیستم‌های چند رسانه ای، دانشگاه رازی کرمانشاه

عبداله چاله چاله |
گروه مهندسی کامپیوتر، دانشگاه رازی کرمانشاه

نشانی اینترنتی https://jmvip.sinaweb.net/article_118500_eb46ae4e784bf61fdac04116f9a622d7.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات