文献

J-GLOBAL ID：201702214326925816   整理番号：17A0448189

スパース再構成と深い畳込みネットワークによる病理画像における核の正確なセグメンテーション【Powered by NICT】

Accurate segmentation of nuclei in pathological images via sparse reconstruction and deep convolutional networks

著者 (9件)： Pan Xipeng (School of Automation, Beijing University of Posts and Telecommunications, Beijing, China) ,  Li Lingqiao (School of Automation, Beijing University of Posts and Telecommunications, Beijing, China) ,  Li Lingqiao (School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, China) ,  Yang Huihua (School of Automation, Beijing University of Posts and Telecommunications, Beijing, China) ,  Yang Huihua (School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, China) ,  Liu Zhenbing (School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, China) ,  Yang Jinxin (School of Automation, Beijing University of Posts and Telecommunications, Beijing, China) ,  Zhao Lingling (School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, China) ,  Fan Yongxian (School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 229  ページ： 88-99  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 自動細胞セグメンテーションはコンピュータ支援病理関連画像解析のための重要な段階である,乳癌組織標本の自動等級付けた。しかし,自動細胞セグメンテーションは,(1)データの複雑さ(おそらくタッチングセル,染色,背景クラッタ,と画像アーチファクト)と(2)の大きさ,形状,外観,および個々の核の集合組織の変動により複雑になっている。最近,天然および病理学的画像解析のための「深層学習」戦略の応用に関心が高まっている。,その多様性と複雑さを考えると,組織学的には深層学習戦略の応用のための優れた使用事例を示した。本論文では,ヘマトキシリンとエオシン(H&E)染色された乳癌病理組織像,全ディジタルスライドの領域を表すで動作する自動化核セグメンテーション法を提案した。手順は三つの主要な段階に分けることができる。最初に,疎再構成法を用いて,ほぼバックグラウンドを除去し,病理学的画像の核を強調することである。多層畳み込みネットワークによるカスケード,深い畳込みネットワーク(DCN)は,背景から細胞核を分割効率的に勾配降下法を用いて訓練した。この段階では,入力パッチとそれに対応するラベルを無作為に病理学的画像から採取し,訓練ネットワークに入力される。採取したパッチのサイズは柔軟であることができ,サンプリングの時間と特徴マップの数は広い範囲で変化する場合の提案した方法はロバストである。最後に,モルフォロジー演算と幾つかの以前の知見を紹介セグメンテーション性能を改善し,誤差を低減した。著者らの方法は,約92.45%画素セグメンテーション精度を達成し,F1測度は0.8393であった。この結果は有望なセグメンテーション性能,等価と時々をもたらす上回る最近同じベンチマークデータセットを用いた代替セグメンテーション法を発表した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： アーチファクト ,  *病理 ,  最急降下法 ,  画素 ,  画像分析 ,  *再構成 ,  クラッタ ,  *セグメンテーション ,  測度 ,  病理学 ,  乳房腫瘍 ,  *畳込み ,  ロバスト性 ,  *画像
準シソーラス用語： 深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 核セグメンテーション ,  深い畳込みネットワーク ,  組織病理学的画像 ,  スパース再構成

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： スパース再構成 ,  畳込み ,  病理画像 ,  核 ,  セグメンテーション