informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-749Research ArticleОБРАБОТКА СИГНАЛОВ, ИЗОБРАЖЕНИЙ, РЕЧИ, ТЕКСТА И РАСПОЗНАВАНИЕ ОБРАЗОВSIGNAL, IMAGE, SPEECH, TEXT PROCESSING AND PATTERN RECOGNITIONСегментация опухолей на полнослайдовых гистологических изображениях с использованием технологии глубокого обученияTumor segmentation in whole-slide histology images using deep learningКовалевВ. А.KovalevV. A.

Ковалев Василий Алексеевич, кандидат технических наук, заведующий лабораторией анализа биомедицинских изображений

Vassili A. Kovalev, Cand. Sci. (Eng.), Head of the Laboratory of Biomedical Images Analysis

vassili.kovalev@gmail.comЛевчукВ. А.LiauchukV. A.

Левчук Виталий Андреевич, научный сотрудник

Vitali A. Liauchuk, Researcher

vitali.liauchuk@gmail.comКалиновскийА. А.KalinovskiA. A.

Калиновский Александр Александрович, научный сотрудник

Alexander A. Kalinovski, Researcher

gakarak@gmail.comФридманМ. В.FridmanM. V.

Фридман Михаил Валерьевич, доктор медицинских наук, заведующий патологоанатомической лабораторией, 

Mikhail V. Fridman, Dr. Sci. (Med.), Head of the Pathoanatomical Laboratory

kupriyan@rambler.ruОбъединенный институт проблем информатики Национальной академии наук БеларусиThe United Institute of Informatics Problems of the National Academy of Sciences of BelarusМинский городской клинический онкологический диспансерMinsk City Clinical Oncologic Dispensary2019130520191621826Copyright © Ковалев В.А., Левчук В.А., Калиновский А.А., Фридман М.В., 20192019Ковалев В.А., Левчук В.А., Калиновский А.А., Фридман М.В.Kovalev V.A., Liauchuk V.A., Kalinovski A.A., Fridman M.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/749

Рассматривается проблема обнаружения и сегментации опухолей на полнослайдовых гистологических изображениях с целью компьютерной поддержки процессов диагностики рака молочной железы. В качестве базовых инструментов используются технология глубокого обучения и классификационные сверточные нейронные сети. Основу используемого метода сегментации составляет процедура отнесения фрагментов изображений к классу «норма» либо «опухоль» в каждой позиции скользящего окна. Данная процедура базируется на методах глубокого обучения (Deep Learning) и реализуется сверточной нейронной сетью, предварительно обученной на представительном наборе из 600 000 небольших фрагментов цветных изображений размером 256×256 пикселов. Получаемая в результате карта вероятностей принадлежности каждого элементарного фрагмента сканируемого полнослайдового изображения к классу «опухоль» обрабатывается известными методами с целью получения выходных бинарных масок патологических участков. Предложенный алгоритм сегментации опухолей на полнослайдовых гистологических изображениях может использоваться для автоматизации процессов диагностики онкологических заболеваний. Одним из важных преимуществ алгоритма является возможность автоматического обнаружения небольших агломератов раковых клеток.

The paper addresses the problem of segmentation of malignant tumors in large whole-slide histology images in the context of computer-assisted diagnosis of breast cancer. The method presented in this study is based on image classification procedure of norm/tumor type. The procedure calculates probability of belonging of each particular elementary image region of 256×256 pixels to the "tumor" class, which are isolated by corresponding sliding-window technique. The procedure capitalizes on convolutional neural networks and Deep Learning methods. The neural networks being employed were trained on a representative dataset of 600 000 fragments sampled from whole slide images and representing the morphological and colorimetric variability of two classes. The resultant probability maps were post-processed using conventional image processing algorithms to obtain the final binary masks of pathological regions. The proposed algorithm of segmentation of whole slide histological images can be used in computerized diagnosis of cancer for detection and segmentation of malignant tumors.

полнослайдовые гистологические изображенияглубокое обучениесверточные нейронные сетисегментациядиагностика онкологических заболеванийwhole-slide histology imagesdeep learningconvolutional neural networksimage segmentationcomputerized cancer diagnosisРабота выполнена при частичной финансовой поддержке в рамках представленного гранта Президента Республики Беларусь (по распоряжению Президента Республики Беларусь № 32рп от 19 января 2018 г.), а также согласно проекту БРФФИ «Разработка высокопроизводительных средств интеллектуальной программной поддержки для решения трудоемких задач информатики и биоинформатики» (по договору № Ф18Р-178 от 30 мая 2018 г.).The work was done with partial financial support in the framework of the presented grant of the President of the Republic of Belarus (by order of the President of the Republic of Belarus no. 32rp dated January 19, 2018), as well as according to the BRFFR project "Development of high-performance means of intellectual software support for solving labor-intensive informatics and bioinformatics problems" (under the contract number F18R-178 dated May 30, 2018).ReferencesДанилов, Р. Гистология, эмбриология, цитология : учеб. / Р. Данилов, Т. Боровая. – M. : ГЭОТАРМедиа, 2018. – 520 с.Danilov R., Borovaja T. Gistologija, jembriologija, citologija. Histology, Embryology, Cytology. Moscow, GJeOTAR-Media, 2018, 520 р. (in Russian).Luo, W. Use cases for digital pathology / W. Luo, L. A. Hassell // Digital Pathology: Historical Perspectives, Current Concepts and Future Applications. – Springer Intern. Publ., 2016. – P. 5–15.Luo W., Hassell L. A. Use cases for digital pathology. Digital Pathology: Historical Perspectives, Current Concepts and Future Applications. Springer International Publishing, 2016, pр. 5–15.Beckwith, B. A. Standards for digital pathology and whole slide imaging / B. A. Beckwith // Digital Pathology: Historical Perspectives, Current Concepts and Future Applications. – Springer Intern. Publ., 2016. – P. 87–97.Beckwith B. A. Standards for digital pathology and whole slide imaging. Digital Pathology: Historical Perspectives, Current Concepts and Future Applications. Springer International Publishing, 2016, рр. 87–97.Current status of whole-slide imaging in education / A. Saco [et al.] // Pathobiology. – 2016. – Vol. 83. – P. 79–88.Saco A., Bombi J. A., Garcia A., Ramírez J., Ordi J. Current status of whole-slide imaging in education. Pathobiology, 2016, vol. 83, pp. 79–88.Going deeper with convolutions / C. Szegedy [et al.] // Proc. of the IEEE Conf. on Computer Vision and Pattern Recognition (CVPR 2015). – Boston, 2015. – P. 1–9.Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., …, Rabinovich A. Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2015). Boston, 2015, pp. 1–9.

The authors declare that there are no conflicts of interest present.