Preview

Информатика

Расширенный поиск

Сегментация опухолей на полнослайдовых гистологических изображениях с использованием технологии глубокого обучения

Аннотация

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.

Об авторах

В. А. Ковалев
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь

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



В. А. Левчук
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь

Левчук Виталий Андреевич, научный сотрудник



А. А. Калиновский
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Калиновский Александр Александрович, научный сотрудник


М. В. Фридман
Минский городской клинический онкологический диспансер
Беларусь

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



Список литературы

1. Данилов, Р. Гистология, эмбриология, цитология : учеб. / Р. Данилов, Т. Боровая. – M. : ГЭОТАРМедиа, 2018. – 520 с.

2. 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.

3. 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.

4. Current status of whole-slide imaging in education / A. Saco [et al.] // Pathobiology. – 2016. – Vol. 83. – P. 79–88.

5. 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.


Рецензия

Для цитирования:


Ковалев В.А., Левчук В.А., Калиновский А.А., Фридман М.В. Сегментация опухолей на полнослайдовых гистологических изображениях с использованием технологии глубокого обучения. Информатика. 2019;16(2):18-26.

For citation:


Kovalev V.A., Liauchuk V.A., Kalinovski A.A., Fridman M.V. Tumor segmentation in whole-slide histology images using deep learning. Informatics. 2019;16(2):18-26. (In Russ.)

Просмотров: 812


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)