Сравнительный анализ нейронных сетей глубокого обучения для сегментации ядер клеток на иммуногистохимических флуоресцентных изображениях раковых тканей

  • Сылунь Сюй Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь
  • Виктор Васильевич Скакун Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

Аннотация

Анализ гистологических и иммуногистохимических изображений составляет основу диагностики многих видов раковых заболеваний. Процессу автоматизации анализа цифровых изображений, в частности сегментации ядер клеток на них, сегодня уделяется особое внимание. Благодаря отличной производительности нейронных сетей глубокого обучения и сравнительно высокому уровню достоверности получаемых результатов появляется возможность сочетать ручную и автоматизированную обработку изображений. К настоящему времени создано множество архитектур нейронных сетей для сегментации объектов на изображениях. Однако большая вариабельность изображений раковых клеток не позволяет создать универсальный алгоритм для сегментации ядер клеток на изображениях разного вида тканей, полученных с помощью различных методик. В работе проведен сравнительный анализ архитектур нейронных сетей глубокого обучения для сегментации ядер клеток на иммуногистохимических флуоресцентных изображениях срезов раковой ткани молочной железы. Установлено, что сети, основанные на архитектуре U-Net, дают стабильно хорошие результаты. Наилучшее качество сегментации продемонстрировала архитектура UNet 3+.

Биографии авторов

Сылунь Сюй, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

соискатель кафедры системного анализа и компьютерного моделирования факультета радиофизики и компьютерных технологий. Научный руководитель – В. В. Скакун



Виктор Васильевич Скакун, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

кандидат физико-математических наук, доцент; доцент кафедры системного анализа и компьютерного моделирования факультета радиофизики и компьютерных технологий

 

Литература

  1. Chung GG, Zerkowski MP, Ghosh S, Camp RL, Rimm DL. Quantitative analysis of estrogen receptor heterogeneity in breast cancer. Laboratory Investigation. 2007;87(7):662–669. DOI: 10.1038/labinvest.3700543.
  2. Camp RL, Chung GG, Rimm DL. Automated subcellular localization and quantification of protein expression in tissue microarrays. Nature Medicine. 2002;8(11):1323–1328. DOI: 10.1038/nm791.
  3. Todewale NS. Lesion segmentation from mammogram images using a U-Net deep learning network. International Journal of Engineering Research and Technology. 2020;9(2):406–411.
  4. Lagree A, Mohebpour M, Meti N, Saednia K, Lu Fang-I, Slodkowska E, et al. A review and comparison of breast tumor cell nuclei segmentation performances using deep convolutional neural networks. Scientific Reports. 2021;11:8025. DOI: 10.1038/s41598-021-87496-1.
  5. Lisitsa YV, Yatskou MM, Apanasovich VV, Apanasovich TV. Algorithm for automatic segmentation of nuclear boundaries in cancer cells in three-channel luminescent images. Journal of Applied Spectroscopy. 2015;82(4):634–643. DOI: 10.1007/s10812-015-0156-2.
  6. Saood A, Hatem I. COVID-19 lung CT image segmentation using deep learning methods: U-Net versus SegNet. BMC Medical Imaging. 2021;21:19. DOI: 10.1186/s12880-020-00529-5.
  7. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556v1 [Preprint]. 2014 [cited 2022 March 18]: [10 p.]. Available from: https://arxiv.org/abs/1409.1556v1.
  8. He Kaiming, Zhang Xiangyu, Ren Shaoqing, Sun Jian. Deep residual learning for image recognition. In: 2016 IEEE conference on computer vision and pattern recognition (CVPR); 2016 June 27–30; Las Vegas, USA. [S. l.]: IEEE; 2016. p. 770–778. DOI: 10.1109/CVPR.2016.90.
  9. Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation. arXiv:1411.4038v1 [Preprint]. 2014 [cited 2022 March 18]: [10 p.]. Available from: https://arxiv.org/abs/1411.4038v1.
  10. Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF, editors. Medical image computing and computer-assisted intervention (MICCAI-2015). Proceedings of the 18th International conference; 2015 October 5–9; Munich, Germany. Part 3. Cham: Springer; 2015. p. 234–241 (Goos G, Hartmanis J, van Leeuwen J, editors. Lecture notes in computer science; volume 9351). DOI: 10.1007/978-3-319-24574-4_28.
  11. Badrinarayanan V, Kendall A, Cipolla R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017;39(12):2481–2495. DOI: 10.1109/TPAMI.2016.2644615.
  12. Jégou S, Drozdzal M, Vazquez D, Romero A, Bengio Y. The one hundred layers tiramisu: fully convolutional DenseNets for semantic segmentation. In: 2017 IEEE conference on computer vision and pattern recognition workshops (CVPRW); 2017 July 21–26; Honolulu, USA. [S. l.]: IEEE; 2017. p. 1175–1183. DOI: 10.1109/CVPRW.2017.156.
  13. Zhou Zongwei, Siddiquee MMR, Tajbakhsh N, Liang Jianming. UNet++: a nested U-Net architecture for medical image segmentation. In: Stoyanov D, Taylor Z, Carneiro G, Syeda-Mahmood T, Martel A, Maier-Hein L, et al., editors. Deep learning in medical image analysis and multimodal learning for clinical decision support. Proceedings of the 4th International workshop DLMIA-2018 and 8th International workshop ML-CDS-2018 held in conjunction with MICCAI-2018; 2018 September 20; Granada, Spain. Cham: Springer; 2018. p. 3–11 (Goos G, Hartmanis J, van Leeuwen J, editors. Lecture notes in computer science; volume 11045). DOI: 10.1007/978-3-030-00889-5_1.
  14. Ibtehaz N, Rahman MS. MultiResUNet: rethinking the U-Net architecture for multimodal biomedical image segmentation. Neural Networks. 2020;121:74–87. DOI: 10.1016/j.neunet.2019.08.025.
  15. Saxena N, Kishore Babu N, Raman B. Semantic segmentation of multispectral images using Res-Seg-net model. In: 2020 IEEE 14th International conference on semantic computing (ICSC); 2020 February 3–5; San Diego, USA. [S. l.]: IEEE; 2020. p. 154–157. DOI: 10.1109/ICSC.2020.00030.
  16. Huang Huimin, Lin Lanfen, Tong Ruofeng, Hu Hongjie, Zhang Qiaowei, Iwamoto Y, et al. UNet 3+: a full-scale connected U-Net for medical image segmentation. In: 2020 IEEE International conference on acoustics, speech and signal processing (ICASSP); 2020 May 4–8; Barcelona, Spain. [S. l.]: IEEE; 2020. p. 1055–1059. DOI: 10.1109/ICASSP40776.2020.9053405.
  17. Chen Jieneng, Lu Yongyi, Yu Qihang, Luo Xiangde, Adeli E, Wang Yan, et al. TransUNet: transformers make strong encoders for medical image segmentation. arXiv:2102.04306 [Preprint]. 2021 [cited 2022 March 21]: [13 p.]. Available from: https://arxiv.org/abs/2102.04306.
  18. Xu Silun, Skakun V. Comparison of deep learning preprocessing algorithms of nuclei segmentation on fluorescence immunohistology images of cancer cells. In: Tuzikov AV, Belotserkovsky AM, Lukashevich MM, editors. Pattern recognition and information processing. Revised selected papers of the 15th International conference PRIP-2021; 2021 September 21–24; Minsk, Belarus. Cham: Springer; 2022. p. 166–177 (Communications in computer and information science; volume 1562). DOI: 10.1007/978-3-030-98883-8_12.
  19. Huang Gao, Liu Zhuang, Van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. In: 2017 IEEE conference on computer vision and pattern recognition (CVPR); 2017 July 21–26; Honolulu, USA. [S. l.]: IEEE; 2017. p. 2261–2269. DOI: 10.1109/CVPR.2017.243.
  20. Pan Bin, Shi Zhenwei, Xu Xia, Shi Tianyang, Zhang Ning, Zhu Xinzhong. CoinNet: copy initialization network for multispectral imagery semantic segmentation. IEEE Geoscience and Remote Sensing Letters. 2019;16(5):816–820. DOI: 10.1109/LGRS.2018.2880756.
Опубликован
2024-04-11
Ключевые слова: иммуногистохимические изображения, изображения раковых клеток, сегментация ядер, нейронные сети, глубокое обучение, U-Net
Как цитировать
Сюй, С., & Скакун, В. В. (2024). Сравнительный анализ нейронных сетей глубокого обучения для сегментации ядер клеток на иммуногистохимических флуоресцентных изображениях раковых тканей. Журнал Белорусского государственного университета. Математика. Информатика, 1, 59-70. Доступно по https://journals.bsu.by/index.php/mathematics/article/view/6080
Выпуск
№ 1 (2024): Журнал Белорусского государственного университета. Математика. Информатика
Раздел
Теоретические основы информатики

Copyright (c) 2024 Журнал Белорусского государственного университета. Математика. Информатика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).