কিডনি এবং স্তন হিস্টোপ্যাথলজি চিত্রগুলির নিউক্লিয়াস সেগমেন্টেশনের জন্য একটি অভিনব ক্ষয় ফাংশন সহ গভীর কাঠামোবদ্ধ অবশিষ্ট এনকোডার-ডিকোডার নেটওয়ার্ক

বিমূর্ত

ক্যান্সার রোগ নির্ণয় এবং চিকিত্সার প্রক্রিয়া উন্নত করতে, হিস্টোপ্যাথলজি ইমেজ থেকে হেমাটোক্সিলিন এবং ইওসিন (H&E) দাগযুক্ত কোষের নিউক্লিয়াসের স্বয়ংক্রিয় বিভাজন ডিজিটাল প্যাথলজির প্রথম ধাপ। প্রস্তাবিত গভীর কাঠামোগত অবশিষ্ট এনকোডার-ডিকোডার নেটওয়ার্ক (DSREDN) দুটি দিকের উপর দৃষ্টি নিবদ্ধ করে: প্রথমত, এটি কার্যকরভাবে নেটওয়ার্ক জুড়ে অবশিষ্ট সংযোগগুলিকে ব্যবহার করে এবং একটি প্রশস্ত এবং গভীর এনকোডার-ডিকোডার পথ প্রদান করে, যার ফলে প্রাসঙ্গিক প্রসঙ্গ এবং আরও স্থানীয় বৈশিষ্ট্যগুলি ক্যাপচার করা হয়। দ্বিতীয়ত, সনাক্ত করা নিউক্লিয়াসের অদৃশ্য সীমানা একটি কার্যকর ক্ষতির ফাংশন প্রস্তাব করে সুরাহা করা হয় যা আমাদের প্রস্তাবিত মডেলকে আরও ভালভাবে প্রশিক্ষিত করে এবং মিথ্যা ভবিষ্যদ্বাণী কমিয়ে দেয় যা অবাঞ্ছিত, বিশেষত স্বাস্থ্যসেবা অ্যাপ্লিকেশনগুলিতে। প্রস্তাবিত আর্কিটেকচারটি তিনটি ভিন্ন সর্বজনীনভাবে উপলব্ধ H&E স্টেইনড হিস্টোপ্যাথোলজিকাল ডেটাসেটের উপর পরীক্ষা করা হয়েছে যথা: (I) কিডনি (RCC) (II) ট্রিপল নেগেটিভ স্তন ক্যান্সার (TNBC) (III) MoNuSeg-2018। আমরা এফ1-স্কোর, অ্যাগ্রিগেটেড জ্যাকার্ড ইনডেক্স (AJI), মোট প্যারামিটারের সংখ্যা এবং FLOPs (ফ্লোটিং পয়েন্ট অপারেশন) বিবেচনা করেছি, যা বেশিরভাগই নিউক্লিয়াস বিভাজনের তুলনা করার জন্য পছন্দের কর্মক্ষমতা পরিমাপ মেট্রিক। নিউক্লিয়াস সেগমেন্টেশনের মূল্যায়নকৃত স্কোর নির্দেশ করে যে প্রস্তাবিত স্থাপত্যটি তিনটি ভিন্ন হিস্টোপ্যাথলজি ডেটাসেটে পাঁচটি অত্যাধুনিক গভীর শিক্ষার মডেলের তুলনায় যথেষ্ট মার্জিন অর্জন করেছে। ভিজ্যুয়াল সেগমেন্টেশন ফলাফল দেখায় যে প্রস্তাবিত DSREDN মডেলটি অত্যাধুনিক পদ্ধতির তুলনায় পারমাণবিক অঞ্চলগুলিকে সঠিকভাবে ভাগ করে।

কীওয়ার্ড

কিডনি ক্যান্সার নির্ণয় এবং পূর্বাভাস · নিউক্লিয়াস সেগমেন্টেশন · অবশিষ্ট শিক্ষা · হিস্টোপ্যাথলজি চিত্র।

Cistanche এর প্রভাব জানতে এখানে ক্লিক করুন

ভূমিকা

সাম্প্রতিক গবেষণার প্রবণতাগুলি দেখায় যে গভীর শিক্ষার কাঠামো বিভাগকরণ, সনাক্তকরণ এবং অন্যান্য কম্পিউটার দৃষ্টি কার্যের জন্য খুব ভাল পারফর্ম করেছে। গত দশকে, নতুন ধরনের গণনা পদ্ধতির অগ্রগতির সাথে, খুব গভীর নেটওয়ার্কগুলিকে প্রশিক্ষণের জন্য ওভারফিটিং সমস্যাগুলি পরিচালনা করার জন্য সঠিক কৌশল এবং গভীর শিক্ষার নেটওয়ার্কগুলির জন্য উপযুক্ত প্রচুর পরিবর্তন। দাগযুক্ত হিস্টোপ্যাথলজি চিত্রগুলি থেকে হেমাটোক্সিলিন এবং ইওসিন (এইচ এবং ই) এর বিভাজন কৃত্রিম প্যাথলজির প্রাথমিক পূর্বশর্ত। হিস্টোপ্যাথলজি স্লাইড প্রস্তুতি নিয়ে আলোচনা করেছেন স্লাউই এম এট আল। [২৭], নিম্নলিখিত ধাপে: (I) টিস্যু সংগ্রহ (II) ফিক্সেশন (III) এম্বেডিং (IV) সেকশানিং (V) ডি-প্যারাফিনিং (VI) স্টেনিং (VII) পুরো স্লাইড ইমেজিং (WSI) দ্বারা স্লাইডকে ডিজিটাইজ করা . বেশ কয়েকটি টিস্যু সংগ্রহের পদ্ধতি রয়েছে যেগুলি হল সূক্ষ্ম সুই অ্যাসপিরেশন, বায়োপসি সুই, এক্সিসিয়াল বায়োপসি ইত্যাদি। একটি বড় বায়োপসিতে একটি ছোট সুই বায়োপসির চেয়ে বেশি তথ্য থাকে কারণ এটি হিস্টোপ্যাথলজি স্লাইডের বৃহৎ সেলুলার প্রেক্ষাপট সংরক্ষণ করে। রাসায়নিক এবং শারীরিক স্থিতিশীলতার জন্য টিস্যুর স্থিরকরণ প্রয়োজন। টিস্যুকে একটি নির্দিষ্ট আকৃতি দেওয়ার জন্য এমবেডিং প্রয়োজন যাতে এটি মেশিন দ্বারা সহজেই কাটা যায়। অনেকগুলি পাতলা স্লাইড এবং দ্বি-মাত্রিক তথ্যের আকারে সমস্ত ত্রি-মাত্রিক টিস্যু তথ্য পেতে সেকশনিং প্রয়োজন। বিভাগযুক্ত টিস্যু থেকে প্যারাফিন অপসারণ করা গুরুত্বপূর্ণ, ডি-প্যারাফিন না করে টিস্যু কিছু অংশে কিছুটা ঝাপসা দেখাতে পারে। টিস্যু স্লাইডগুলির দাগ লাগানো প্রয়োজন কারণ এটি উজ্জ্বল ক্ষেত্রের মাইক্রোস্কোপির অধীনে দৃশ্যমান বা স্বচ্ছ নয়। হিস্টোপ্যাথলজি চিত্রগুলির জন্য সর্বাধিক ব্যবহৃত দাগগুলি হল হেমাটোক্সিলিন এবং ইওসিন। সেগমেন্টেশন কাজগুলি ঐতিহ্যগত বা হস্তশিল্পের বৈশিষ্ট্য নিষ্কাশন কৌশল এবং সিএনএন-ভিত্তিক গভীর শিক্ষা পদ্ধতির মধ্যে শ্রেণীবদ্ধ করা যেতে পারে। ঐতিহ্যগত বিভাজন পদ্ধতিগুলি বেশিরভাগই সাদৃশ্য-ভিত্তিক পদ্ধতির উপর ভিত্তি করে, বিচ্ছিন্নতা-ভিত্তিক পদ্ধতির, জলপ্রবাহের কৌশল, সক্রিয় কনট্যুর পদ্ধতি এবং তাদের রূপ, সুপারপিক্সেল, এবং ক্লাস্টারিং-ভিত্তিক পদ্ধতি ইত্যাদি। গনজালেজ আরসি এট আল দ্বারা আলোচিত সাদৃশ্য-ভিত্তিক পদ্ধতি। [৮], স্থানীয় থ্রেশহোল্ডিং, গ্লোবাল থ্রেশহোল্ডিং, অ্যাডাপ্টিভ থ্রেশহোল্ডিং, ওটসুর থ্রেশহোল্ডিং, অঞ্চল বৃদ্ধি, অঞ্চল বিভাজন এবং একত্রিতকরণের উপর ভিত্তি করে, যেখানে এই পদ্ধতিগুলি অনুরূপ পিক্সেলগুলিকে গোষ্ঠী এবং সেগমেন্ট করার চেষ্টা করে। সমতল উপত্যকা বিশিষ্ট ইমেজ হিস্টোগ্রামের জন্য, সাদৃশ্য-ভিত্তিক পদ্ধতি ভালভাবে কাজ করে না এবং থ্রেশহোল্ড মানের ভুল নির্বাচনের ফলে এই ক্ষেত্রে ওভার-সেগমেন্টেশন এবং আন্ডার-সেগমেন্টেশন হতে পারে। বিচ্ছিন্নতা-ভিত্তিক পদ্ধতিটি সেই পিক্সেলগুলিকে সেগমেন্ট করার চেষ্টা করে যেগুলি বিন্দু, লাইন এবং প্রান্তগুলির মতো কিছু পদ্ধতিতে বিচ্ছিন্ন হয় এবং এটি একটি মুখোশ প্রক্রিয়াকরণ-ভিত্তিক পদ্ধতি। এই পদ্ধতিতে বিভিন্ন পর্যায়ে বিভিন্ন অপারেটরের প্রয়োজন হয়। কাস্টি জে এট আল। বিভক্ত, একত্রীকরণ এবং মার্কার-নিয়ন্ত্রিত ওয়াটারশেডের উপর ভিত্তি করে [৪]-এ একটি ওয়াটারশেড সেগমেন্টেশন পদ্ধতি প্রস্তাব করেছে। ওয়াটারশেড পদ্ধতিতে সনাক্ত করা সীমানা কোষের জটিলতার উপর নির্ভর করে। গান T et al. প্রস্তাবিত সক্রিয় কনট্যুর বিভাজন [28], যেখানে তারা বস্তুর সীমানা সনাক্তকরণের জন্য তীব্রতার তথ্য এবং স্থানীয় প্রান্তের তথ্য বিবেচনা করে। আলবায়রাক এট আল দ্বারা ব্যবহৃত সুপারপিক্সেল বিভাজন পদ্ধতি। [1]-এ, অভিন্ন বৈশিষ্ট্যযুক্ত সংযুক্ত পিক্সেলের ক্লাস্টারের উপর ভিত্তি করে। এটি রঙ বিবেচনা করে এবং প্রতিবেশী পিক্সেলের তথ্য সমন্বয় করে। এই কৌশলটি আরও ভাল আঞ্চলিক তথ্য সরবরাহ করে তবে কোষ বিভাজনের ক্ষেত্রে খুব কার্যকর নয়। Win KY et al দ্বারা প্রস্তাবিত ক্লাস্টারিং-ভিত্তিক সেগমেন্টেশন। [৩৭], তাদের মিলের উপর ভিত্তি করে গ্রুপিং সঞ্চালন করে। সাম্প্রতিক গবেষণা কর্মে, বেশিরভাগ লেখক রিপোর্ট করেছেন যে একটি গভীর কনভোল্যুশনাল নিউরাল নেটওয়ার্কের উপর ভিত্তি করে বিভাজন কৌশলটি প্রচলিত সেগমেন্টেশন পদ্ধতির চেয়ে অনেক ভাল কাজ করে। সিএনএন ভিত্তিক পদ্ধতির একটি সংক্ষিপ্ত পর্যালোচনা বিভাগ 2 এ উপস্থাপন করা হয়েছে। গভীর শিক্ষা বিভাজন পদ্ধতিগুলিও অনেক চ্যালেঞ্জের সম্মুখীন হয়। যদি আমরা এই চ্যালেঞ্জগুলিকে শ্রেণীবদ্ধ করি, তবে এটি নিম্নলিখিত দিকগুলির অধীনে আসবে।

1. টিস্যুর চেহারার বড় বৈচিত্র্য এবং টিস্যুগুলির শ্রেণী ও উপ-শ্রেণীর বৈচিত্র্যময় বর্ণালীর কারণে, এটি সনাক্ত করা কঠিন।

2. জটিল সীমানা, ওভারল্যাপ করা সীমানা এবং অদৃশ্য সীমানার বিভাজন করা সহজ কাজ নয়।

3. তত্ত্বাবধানে শিক্ষার ক্ষেত্রে গ্রাউন্ড ট্রুথ প্রস্তুত করাও একটি বড় চ্যালেঞ্জ। অভিজ্ঞ প্যাথলজিস্টদের তত্ত্বাবধান প্রয়োজন যেহেতু ভবিষ্যদ্বাণীর নির্ভুলতা টীকাকৃত স্থল সত্যের উপর নির্ভর করে।

জটিল হিস্টোপ্যাথলজি চিত্রের ক্ষেত্রে, প্রচলিত পদ্ধতিগুলি হয় ওভার-সেগমেন্টেশন বা আন্ডার-সেগমেন্টেশনের শিকার হয়। প্রস্তাবিত পদ্ধতিটি হিস্টোপ্যাথলজি চিত্রগুলি থেকে ওভারল্যাপ করা এবং অদৃশ্য হয়ে যাওয়া পারমাণবিক অঞ্চলগুলিকে আলাদা করার দিকে মনোনিবেশ করে। হিস্টোপ্যাথলজি ইমেজ থেকে নিউক্লিয়াসের বিভাজনে চ্যালেঞ্জগুলি মোকাবেলা করার জন্য এই কাগজে আমাদের অবদানগুলি নিম্নরূপ।

1. বহু-স্তরের মধ্যবর্তী বৈশিষ্ট্যগুলিকে শক্তিশালী করার জন্য, আমাদের প্রস্তাবিত DSREDN মডেলটি অবশিষ্ট শিক্ষার শক্তিকে কার্যকরভাবে ব্যবহার করেছে।

2. পরীক্ষামূলক প্রমাণ এবং সতর্ক পরীক্ষা এবং বিশ্লেষণের মাধ্যমে, আমরা একটি অভিনব ক্ষতি ফাংশন প্রস্তাব করেছি। ভিজ্যুয়াল ফলাফল এবং পারফরম্যান্স ম্যাট্রিক্স নির্দেশ করে যে আমাদের ক্ষতি ফাংশন মডেলটিকে আরও ভাল প্রশিক্ষণ দেয় এবং অত্যাধুনিক পদ্ধতির তুলনায় পারমাণবিক অঞ্চলগুলিকে সঠিকভাবে ভাগ করে।

Cistanche tubulosa

সম্পর্কিত কাজ

সেল সেগমেন্টেশন টাস্কের জন্য বেশিরভাগ সিএনএন আর্কিটেকচার বৈশিষ্ট্য নিষ্কাশনের জন্য একটি এনকোডার-ডিকোডার পাথ নিয়ে গঠিত। সাম্প্রতিক গবেষণার বেশিরভাগই প্রশিক্ষণের কৌশলগুলি উন্নত করা, ওভারফিটিং সমস্যাগুলি পরিচালনা করা, আরও ভাল অপ্টিমাইজেশন পদ্ধতি এবং আরও ভাল ভবিষ্যদ্বাণীর নির্ভুলতা পাওয়ার জন্য অনেকগুলি কৌশলের মতো সম্ভাব্য সুযোগগুলিকে ব্যবহার করে৷ যাইহোক, অনেক লেখক তাদের ফলাফল রিপোর্ট করেছেন যা খুবই দক্ষ কিন্তু একটি সঠিক এবং দক্ষ সেগমেন্টেশন অ্যালগরিদম এখনও হিস্টোপ্যাথলজি চিত্রের জটিলতার কারণে উন্মুক্ত গবেষণা। Ronneberger এট আল দ্বারা উল্লেখযোগ্য অবদান এক. [26], যাকে UNet বলা হয়, বায়োমেডিকাল ইমেজ সেগমেন্টেশনের ক্ষেত্রে একটি খুব ভাল দিকনির্দেশনা এবং একটি নাটকীয় অগ্রগতি প্রদান করে। UNet হল একটি সিমেট্রিক এনকোডার-ডিকোডার কনভোলিউশনাল নেটওয়ার্ক এবং এতে প্রচুর সংখ্যক বৈশিষ্ট্যযুক্ত চ্যানেল রয়েছে যা একটি গভীর নেটওয়ার্কের উচ্চ স্তরে বৈশিষ্ট্যগুলিকে বের করার অনুমতি দেয়। (3 x 3) কনভোলিউশন কার্নেলের পুনরাবৃত্তির পরে ReLU অ্যাক্টিভেশন, (2 x 2) সর্বোচ্চ-পুলিং এবং (2 x 2) আপ-স্যাম্পলিং 2 এর স্ট্রাইড সাইজ সহ, এবং (1 x 1) কনভোলিউশন এর পরে সিগমায়েড অ্যাক্টিভেশন চূড়ান্ত স্তর, নেটওয়ার্কে মোট 23টি স্তর। ইন [৩৬], Veit A et al. তাদের পরীক্ষার মাধ্যমে উপলব্ধি করা হয়েছে যে যদি একটি নেটওয়ার্কে পাথের সংগ্রহ থাকে তবে প্রশিক্ষণের সময় একটি ছোট পথই যথেষ্ট, বা প্রশিক্ষণের সময় খুব গভীর পথের প্রয়োজন হয় না। এই একাধিক পাথগুলি একে অপরের উপর দৃঢ়ভাবে নির্ভর করে না এবং একাধিক বৈধ পথের সাথে তাদের মসৃণ সহ-সম্পর্ক নেটওয়ার্কের কর্মক্ষমতা বাড়ায়। [22] সালে, Milletari F et al. লস ফাংশন হিসাবে ডাইস লস ব্যবহার করে ত্রি-মাত্রিক ডেটার জন্য একটি এনকোডার-ডিকোডার কনভোলিউশনাল নেটওয়ার্ক প্রস্তাব করেছে। তাদের অভিজ্ঞতামূলক মূল্যায়ন শক্তিশালী ভারসাম্যহীন ডেটাসেটে আরও ভাল কর্মক্ষমতা অর্জন করে। ইন [24], Nogues I et al. দুটি সম্পূর্ণরূপে নেস্টেড তত্ত্বাবধানে কনভোল্যুশনাল নেটওয়ার্ক এবং একটি কাঠামোগত শর্তাধীন র্যান্ডম ফিল্ড অপ্টিমাইজেশান কৌশল দ্বারা লিম্ফ নোড সনাক্তকরণের জন্য একটি আর্কিটেকচার প্রস্তাব করেছে। একটি গভীর নেটওয়ার্কে তথ্যের অবনতিকে কাইমিং হি এট আল দ্বারা সম্বোধন করা হয়েছিল। [৯], একটি গভীর অবশিষ্ট নেটওয়ার্ক প্রবর্তন করে যা প্রশিক্ষণ এবং অপ্টিমাইজ করা সহজ। একটি গভীর নেটওয়ার্কে তথ্যের প্রবাহ পুনরুদ্ধার করতে এক বা একাধিক স্তর বাদ দিয়ে অবশিষ্ট সংযোগ উপলব্ধি করা হয়। হিস্টোলজিক্যাল বস্তুর বিভাজন এবং সনাক্তকরণের জন্য, চেন এইচ এট আল। [৫], একটি কনট্যুর-সচেতন মডেল প্রবর্তন করেছে যা অক্জিলিয়ারী তত্ত্বাবধানে বহু-স্তরের তথ্য বের করে। ইন [১০], হুয়াং জি এট আল। একটি কনভোলিউশনাল নেটওয়ার্ক প্রস্তাব করেছে, যা পূর্ববর্তী লেয়ার ইনপুট এবং মূল ইনপুট খাওয়ানোর মাধ্যমে ইনপুট বৈশিষ্ট্য মানচিত্রের সামগ্রিক প্রবাহকে শক্তিশালী করে। তাদের পরীক্ষা আরও ইঙ্গিত করে যে পরিচয় ম্যাপিংয়ের একীকরণের কারণে, মডেলটি আরও কমপ্যাক্ট বৈশিষ্ট্যগুলি শিখে এবং অদৃশ্য গ্রেডিয়েন্ট সমস্যা হ্রাস করে। একটি ভারসাম্যহীন ডেটাসেটের ক্ষেত্রে, ভবিষ্যদ্বাণীগুলি উচ্চ নির্ভুলতা এবং কম স্মরণের প্রতি পক্ষপাতদুষ্ট হয় যা সহনীয় নয়, বিশেষ করে চিকিৎসা ক্ষেত্রে। এই সমস্যার সমাধান করেছেন সালেহি এসএম এট আল। [২৯], যা গভীর নেটওয়ার্ককে প্রশিক্ষিত করেছে, এমনকি একটি অত্যন্ত ভারসাম্যহীন ডেটাসেট সহ, এবং কার্যকরভাবে পরিচালনা করে যেখানে মিথ্যা নেতিবাচক ভবিষ্যদ্বাণী মিথ্যা ইতিবাচকের চেয়ে অনেক বেশি বিপজ্জনক। সুদ্রে সিএইচ এট আল দ্বারা পরীক্ষা করা বিভিন্ন শিক্ষার হার সহ ওজনযুক্ত ক্রস-এনট্রপি এবং ডাইস ক্ষতির মতো ক্ষতির ফাংশনগুলির আচরণ। ইন [৩০], মেডিকেল ইমেজ এবং হাউস ডেটাসেটে। তাদের পরীক্ষায় দেখা গেছে যে ভারসাম্যহীনতার মাত্রা বাড়ার সাথে সাথে ওভারল্যাপ পরিমাপ-ভিত্তিক ক্ষতি ফাংশন আরও কার্যকর। রাস্তা এবং অন্দর দৃশ্যের শব্দার্থগত বিভাজন করার জন্য স্মৃতি এবং সময়ের পরিপ্রেক্ষিতে অত্যন্ত দক্ষ, বদ্রিনারায়ণন ভি এট আল-এর সেগনেট নামে একটি এনকোডার-ডিকোডার আর্কিটেকচার। [3] মধ্যে। SegNet একটি স্পার্স বৈশিষ্ট্য ডিকোডার তৈরি করে যা স্থানান্তরিত পুল এবং এর এনকোডার থেকে নিম্ন রেজোলিউশন ইনপুট সহ নমুনা তৈরি করে। সীমানা অঞ্চলের কাছাকাছি সঠিকভাবে সেগমেন্ট করতে Zhou S et al. [৩৮], একটি প্রসারিত কনভোলিউশন ব্লক সহ একটি অবশিষ্ট নেটওয়ার্ক ব্যবহার করা হয়েছে। তারা অর্থপূর্ণ শব্দার্থিক তথ্য পুনরুদ্ধার করতে সমান্তরালভাবে অনেক শ্রেণীবদ্ধ ব্লক ব্যবহার করে। শ্রেণী ভারসাম্যহীনতার সমস্যাগুলি পরিচালনা করতে বা স্বাস্থ্যসেবাতে মিথ্যা-নেতিবাচক ভবিষ্যদ্বাণী কমাতে, [১১] হাশেমি এসআর একটি 3D-ঘন CNN প্রস্তাব করেছেন Tversky সূচক-ভিত্তিক অসমমিতিক সাদৃশ্য ক্ষতির সাথে যা নেটওয়ার্ককে সর্বনিম্ন পৃষ্ঠের দূরত্বের সাথে প্রশিক্ষণ দেয়। জটিল সীমানা-সম্পর্কিত বিভাজন সমস্যা Naylor P et al দ্বারা সম্বোধন করা হয়েছে। [25], আন্তঃ পারমাণবিক দূরত্বের উপর ভিত্তি করে একটি ক্ষতি ফাংশন গঠন করে। তাদের এনকোডার-ডিকোডার মডেলটি এফসিএন, এফসিএন প্লাস পিপি, মাস্ক আর-সিএনএন, ইউ-নেট, এবং ইউ-নেট প্লাস পিপি TNBC এবং MoNuSeg ডেটাসেটের সাথে পরীক্ষা করেছে। স্ট্যান্ডার্ড এনকোডার-ডিকোডারে অর্থপূর্ণ এক্সটেনশনগুলি শ্লেম্পার জে এট আল দ্বারা মনোযোগ গেট নামক একটি অতিরিক্ত মডিউল অন্তর্ভুক্ত করে। [৩১] মধ্যে, এবং মনোযোগের পাশাপাশি লাল এস এট আল দ্বারা অবশিষ্ট প্রক্রিয়া। [20], যেখানে নেটওয়ার্ককে এমনভাবে প্রশিক্ষিত করা হয় যে এটি অর্থপূর্ণ বৈশিষ্ট্য হাইলাইট করার সময় অপ্রাসঙ্গিক বৈশিষ্ট্যগুলিকে দমন করে। রাস্তার দৃশ্য বিভাজনের জন্য Malekijoo A et al. [২৩], অটোএনকোডার-ভিত্তিক মডেল ব্যবহার করেছে যেখানে স্থানীয় বৈশিষ্ট্যকে শক্তিশালী করার জন্য কনভোলিউশন, ডিকনভোলিউশন এবং পিরামিড পুলিং প্রয়োগ করা হয়েছিল। মাইক্রোস্কোপিক, MR, এবং CT চিত্রগুলির বিভাজনের জন্য Zhou S et al দ্বারা একটি এনকোডার-ডিকোডার আর্কিটেকচার। [৩৯]-এ, জটিল সীমানাগুলিকে সুনির্দিষ্টভাবে সনাক্ত করার জন্য অর্থপূর্ণ সংযোগগুলি সংযুক্ত করা হয়েছে। প্যাথলজি চিত্রগুলিতে নিউক্লিয়াসের বিভাজনের জন্য, লাল এস এট আল। মডেল [২১], অভিযোজিত কালার ডিকনভোলিউশন, মাল্টিস্কেল থ্রেশহোল্ডিং এর পরে রূপগত ক্রিয়াকলাপ এবং অন্যান্য পোস্ট-প্রসেসিং ধাপ রয়েছে। চিকিৎসা চিত্রের বিভাজনের জন্য, করিমি ডি এট আল দ্বারা একটি অভিনব ক্ষতি ফাংশন। [১৬]-এ, আনুমানিক হাউসডর্ফ দূরত্ব ব্যবহার করে আকৃতিগত অপারেশন পদ্ধতি, দূরত্ব রূপান্তর পদ্ধতি, এবং বিভিন্ন ব্যাসার্ধের বৃত্তাকারভাবে আবদ্ধ কার্নেল। হাউসডর্ফ দূরত্ব হ্রাস করার পদ্ধতিগুলি ব্যবহার করে, তারা বিভিন্ন মাইক্রোস্কোপি চিত্রের জন্য CNN প্রশিক্ষণ দেয় এবং তাদের ফলাফলগুলি সাধারণত ব্যবহৃত ক্ষতির ফাংশনের সাথে তুলনা করে। হানিফ এমএস এট আল। [12], একাধিক অবশিষ্ট ইউনিট স্ট্যাকিং দ্বারা একটি প্রতিযোগিতামূলক অবশিষ্ট নেটওয়ার্কের প্রস্তাব করেছে যাকে একটি প্রশস্ত নেটওয়ার্ক বলা হয়। তাদের গবেষণায় উপসংহারে বলা হয়েছে যে গভীর এবং পাতলা নেটওয়ার্কের চেয়ে এত প্রশস্ত নেটওয়ার্কের কর্মক্ষমতা ভালো। চঞ্চল এ কে প্রমুখ। এবং Aatresh AA et al. [2, 6]-এ, নিউক্লিয়াস সেগমেন্টেশন কাজের জন্য বিভাজ্য কনভোলিউশন পিরামিড পুলিং এবং মাত্রা-ভিত্তিক পিরামিড পুলিং ব্যবহার করা হয়েছে।

সিস্টানচে ক্যাপসুল

প্রস্তাবিত স্থাপত্য

মাইক্রোস্কোপি চিত্রগুলির বিভাজন করার জন্য, একটি এনকোডার-ডিকোডার আর্কিটেকচার সবচেয়ে উপযুক্ত কারণ যদি একটি এনকোডারে নিয়মিত কনভোলিউশন লেয়ার এবং ম্যাক্স-পুলিং লেয়ার থাকে, তাহলে এটি খুব কার্যকরভাবে ছবির প্রসঙ্গ ক্যাপচার করে। ডিকোডার পাথ ধীরে ধীরে আপ-স্যাম্পলিং প্রয়োগ করে, এনকোডার থেকে প্রাসঙ্গিক বৈশিষ্ট্য সংগ্রহ করে এবং সুনির্দিষ্ট স্থানীয়করণ সক্ষম করে আউটপুট উপস্থাপন করে। চিত্র 1-এ দেখানো DSREDN নেটওয়ার্কের এনকোডার সাইডের প্রতিটি ফিল্টার নমনীয় আকারের ইনপুট গ্রহণ করে। আমরা নিয়মিত (3 x 3) 2D স্ট্যান্ডার্ড কনভোলিউশন, ব্যাচ স্বাভাবিককরণ এবং সর্বোচ্চ-পুলিং প্রয়োগ করেছি। নেটওয়ার্কের গভীরে যাওয়ার সময় স্যাচুরেশন সমস্যা এবং তথ্যের ক্ষতি এড়াতে, আমরা নেটওয়ার্কের মূল পথের সমান্তরাল একটি অতিরিক্ত পথ তৈরি করে নিম্ন স্তরের তথ্য পুনরুদ্ধার করেছি। এই দুটি পথ একে অপরের সাথে দৃঢ়ভাবে সম্পর্কযুক্ত নয় এবং এটি গ্রেডিয়েন্ট সমস্যাগুলি অদৃশ্য হওয়া এড়িয়ে যায়। প্রতিটি ফিল্টার আকারের জন্য, DSREDN নেটওয়ার্কের সম্পূর্ণ এনকোডার সাইডে তিনটি কনভোলিউশন লেয়ার থাকে যার সমান্তরালে একটি একক আবর্তিত পাথ থাকে যা নেটওয়ার্কে আরও প্রাসঙ্গিক বৈশিষ্ট্য প্রবাহিত করার জন্য ফোকাস করে। যেহেতু চূড়ান্ত আউটপুট তৈরি করতে ডিকোডার পাথের কার্যকারিতা এনকোডারের দিক থেকে প্রাসঙ্গিক বৈশিষ্ট্য সংগ্রহের উপর নির্ভর করে, তাই সংগৃহীত বৈশিষ্ট্যটির সর্বোত্তম প্রক্রিয়াকরণের জন্য আমাদের কাছে ডিকোডারের দিকে কিছুটা ভিন্ন পথ রয়েছে। এই পদ্ধতিতে, আমাদের DSREDN নেটওয়ার্ক পাতলা এবং গভীরের পরিবর্তে প্রশস্ত এবং গভীর হয়ে যায়। DSREDN নেটওয়ার্ক আকারের (512 x 512 x 3) RGB চিত্রের সাথে প্রশিক্ষিত। এনকোডার পাথের পাঁচটি ধাপে পাঁচটি ভিন্ন ফিল্টার মাপ এবং সংশ্লিষ্ট ডিকোডার পাথ রয়েছে (a) কার্নেলের আকারের 2D কনভলিউশন (3 x 3) ReLU অ্যাক্টিভেশন সহ (b) একটি উচ্চ-রেজোলিউশন স্তর (c) (2 x 2) সর্বাধিক ইমেজের স্থানিক আকার কমাতে এনকোডার পাথে পুলিং লেয়ার এবং ডিকোডার সাইডে অনুরূপ (2 x 2) আপ-স্যাম্পলিং লেয়ার কনক্যাটেনেশন অপারেশনের মাধ্যমে এনকোডার সাইড থেকে প্রাসঙ্গিক বৈশিষ্ট্য সংগ্রহ করতে (d) চূড়ান্ত পর্যায়ে a (1 x 1) সিগমায়েড অ্যাক্টিভেশনের মাধ্যমে সাইজ (512 x 512 x 16) থেকে (512 x 512 x 1) ম্যাপ করতে ) কনভোলিউশন ব্যবহার করা হয়।

উপসংহার

এই কাগজটি একটি ডিপ স্ট্রাকচার্ড রেসিডুয়াল এনকোডার-ডিকোডার নেটওয়ার্ক (DSREDN) নামে একটি CNN-ভিত্তিক আর্কিটেকচারের প্রস্তাব করেছে, যা স্বয়ংক্রিয় নিউক্লিয়াস বিভাজনে দুটি প্রধান উদ্বেগের সমাধান করেছে। প্রথম প্রধান উদ্বেগের বিষয় ছিল হিস্টোপ্যাথলজি ছবি থেকে নিউক্লিয়াস শনাক্ত করা যাতে বিপুল সংখ্যক নিদর্শন সহ ব্যাপক বৈচিত্র্যময় বর্ণালী রয়েছে। এই সমস্যাটি একটি শক্তিশালী এনকোডার-ডিকোডার প্রবর্তন করে সমাধান করা হয়েছিল যার দুটি পাথ রয়েছে যার মধ্যে আরও বৈষম্যমূলক ক্ষমতা রয়েছে এবং প্রাসঙ্গিক এবং কমপ্যাক্ট টেক্সচারাল তথ্য পুনরুদ্ধার করতে সক্ষম হয়েছিল। বাস্তবায়িত নেটওয়ার্কগুলি মধ্যবর্তী বৈশিষ্ট্যগুলিকে শক্তিশালী করে এমন প্রশস্ত এবং গভীর নেটওয়ার্ক পাথগুলিকে অন্তর্ভুক্ত করে অবশিষ্ট শিক্ষার পাশাপাশি এনকোডার-ডিকোডার আর্কিটেকচারের শক্তি কার্যকরভাবে লাভ করে। আমরা সতর্কতার সাথে পরীক্ষা-নিরীক্ষা এবং বিশ্লেষণের মাধ্যমে একটি দক্ষ ক্ষতির ফাংশন প্রস্তাব করেছি জটিল বা অদৃশ্য সীমানা থাকা নিউক্লিয়াসকে ভাগ করার জন্য যা বিভাজন কার্যের দ্বিতীয় প্রধান সমস্যা ছিল। আমরা তিনটি ভিন্ন সর্বজনীনভাবে উপলব্ধ H&E দাগযুক্ত হিস্টোপ্যাথোলজিকাল ডেটাসেটের উপর পরীক্ষা-নিরীক্ষা করে F1-স্কোর এবং AJI স্কোর সবচেয়ে পছন্দের পারফরম্যান্স ম্যাট্রিক্স ব্যবহার করেছি। প্রাপ্ত মানের মেট্রিক্স এবং প্রস্তাবিত কাঠামোর পূর্বাভাসিত পারমাণবিক অঞ্চলগুলি অত্যাধুনিক মডেলগুলির তুলনায় ভাল ছিল।

Cistanche বড়ি

যদিও প্রস্তাবিত মডেলটি চমৎকার ফলাফল দিয়েছে, একটি উচ্চ-পারফরম্যান্স বৈশিষ্ট্য নিষ্কাশন মডিউল অন্তর্ভুক্ত করে বৈশিষ্ট্যের স্থানটিকে আরও সমৃদ্ধ করা যেতে পারে। এছাড়াও, প্রস্তাবিত পদ্ধতিটি আরও ইমেজ পদ্ধতিতে কাজ করার জন্য সাধারণীকরণ করা যেতে পারে। এই অধ্যয়নটি হিস্টোপ্যাথলজি চিত্রগুলির একটি বাইনারি বিভাজন, এখানে আমরা শুধুমাত্র পারমাণবিক অঞ্চলগুলিকে ভাগ করতে পারি। ভবিষ্যতে, আমরা এই পারমাণবিক অঞ্চলগুলিকে তাদের সাব-টাইপগুলিতে গ্রেড করতে পারি। শোয়েবি এট আল দ্বারা বিভিন্ন চিত্রের পদ্ধতির কয়েকটি উদ্ভাবনী অ্যাপ্লিকেশন রিপোর্ট করা হয়েছে। [৩২, ৩৩], যেখানে জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GANs), পৌনঃপুনিক নিউরাল নেটওয়ার্ক (RNN), অটোএনকোডার (AEs), কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (CNN), গভীর নিউরাল নেটওয়ার্ক (DNN) এবং অন্যান্য হাইব্রিড নেটওয়ার্ক তৈরি করা হয়েছে। COVID-19 এবং একাধিক স্ক্লেরোসিসের স্বয়ংক্রিয় সনাক্তকরণ। [১৮, ৩৪] সালে, খোদাতারস এম এট আল। এবং সাদেঘি ডি এট আল। অটিজম স্পেকট্রাম ডিসঅর্ডার এবং সিজোফ্রেনিয়া রোগ সনাক্তকরণের জন্য গভীর শিক্ষার প্রযোজ্যতা চিত্রিত করা হয়েছে। এই উদাহরণগুলি হাইলাইট করে যে কীভাবে কম্পিউটার-সহায়তা নির্ণয় সিস্টেমের ক্ষেত্রটি দ্রুত পরিবর্তিত হচ্ছে, এবং এখনও এমন অসংখ্য অ্যাপ্লিকেশন থাকতে পারে যা এখনও ফোকাস করা হয়নি।

সিস্টানচিস কীভাবে কিডনির কার্যকারিতা বাড়ায়

সিস্তানচে একটি ঔষধি ভেষজ যা দীর্ঘদিন ধরে কিডনির কার্যকারিতা বাড়াতে ঐতিহ্যবাহী চীনা ওষুধে ব্যবহৃত হয়ে আসছে। এটির সক্রিয় উপাদানগুলির কারণে বিভিন্ন সুবিধা রয়েছে বলে বিশ্বাস করা হয়, যেমন ফেনাইলেথানয়েড গ্লাইকোসাইডস এবং ইরিডয়েডস।

অধ্যয়নগুলি পরামর্শ দেয় যে সিস্তানচে কিডনির রক্ত ​​​​প্রবাহ উন্নত করে, অক্সিডেটিভ স্ট্রেস হ্রাস করে এবং কিডনির স্বাস্থ্যকে সমর্থন করে এমন বৃদ্ধির কারণগুলির উত্পাদন বৃদ্ধি করে কিডনির কার্যকারিতা প্রচার করতে পারে। উপরন্তু, এটি রক্তচাপ নিয়ন্ত্রণ করতে এবং প্রদাহ কমাতে সাহায্য করতে পারে, যা কিডনি স্বাস্থ্যের জন্য গুরুত্বপূর্ণ কারণ।

অধিকন্তু, Cistanche নির্দিষ্ট ওষুধ বা বিষের কারণে কিডনির ক্ষতি থেকে রক্ষা করার সম্ভাবনা দেখিয়েছে। এটি প্রদাহজনক প্রতিক্রিয়াকে বাধা দিয়ে এবং কোষের মৃত্যু হ্রাস করে কিডনিতে একটি প্রতিরক্ষামূলক প্রভাব ফেলতে পারে।

যাইহোক, এটি লক্ষ করা গুরুত্বপূর্ণ যে কিডনির কার্যকারিতা বাড়ানোর ক্ষেত্রে সিস্তানচে এর প্রক্রিয়া এবং কার্যকারিতা সম্পূর্ণরূপে বোঝার জন্য আরও গবেষণা প্রয়োজন। যেকোনো ভেষজ প্রতিকারের মতো, এটি ঔষধি উদ্দেশ্যে ব্যবহার করার আগে একজন যোগ্যতাসম্পন্ন স্বাস্থ্যসেবা পেশাদারের সাথে পরামর্শ করার পরামর্শ দেওয়া হয়।

তথ্যসূত্র

1. Albayrak A, Bilgin G (2019) দুই-পর্যায়ের সুপারপিক্সেল-ভিত্তিক অ্যালগরিদমের মাধ্যমে হিস্টোপ্যাথলজিকাল ইমেজে স্বয়ংক্রিয় কোষ বিভাজন। Med Biol Eng Comput 57(3):653–665

2. Aatresh AA, Yatgiri RP, Chanchal AK, Kumar A, Ravi A, Das D, Raghavendra BS, Lal S, Kini J (2021) হিস্টোপ্যাথলজি ইমেজের নিউক্লিয়াস সেগমেন্টেশনের জন্য মাত্রা-ভিত্তিক পিরামিড পুলিং সহ দক্ষ গভীর শিক্ষার আর্কিটেকচার। কম্পিউট মেড ইমেজিং গ্রাফ 93:101975। https://doi.org/10.1016/j.compmedig.2021.101975

3. বদ্রিনারায়ণন ভি, কেন্ডাল এ, সিপোলা আর (2017) সেগনেট: ইমেজ সেগমেন্টেশনের জন্য একটি গভীর কনভোল্যুশনাল এনকোডার-ডিকোডার আর্কিটেকচার। IEEE ট্রান্স প্যাটার্ন অ্যানাল ম্যাক ইন্টেল 39(12):2481–2495

4. Cousty J, Bertrand G, Najman L, Couprie M (2010) Watershed cuts: Thinnings, shortest path forests, and topological watersheds. IEEE ট্রান্স প্যাটার্ন অ্যানাল ম্যাক ইন্টেল 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: সঠিক গ্রন্থি বিভাজনের জন্য গভীর কনট্যুর-সচেতন নেটওয়ার্ক। কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন। arXiv:1604.02677v1 [cs.CV]

6. চঞ্চল AK, কুমার এ, লাল এস, কিনি জে (2021) কিডনি এবং স্তন হিস্টোপ্যাথলজি চিত্রগুলির বিভাজন করার জন্য দক্ষ এবং শক্তিশালী গভীর শিক্ষার আর্কিটেকচার। Comput Electr Eng 92:107177. https://doi.org/10.1016/j.compeleceng.2021.107177

7. চঞ্চল AK, লাল এস, কিনি জে (2021) হিস্টোপ্যাথলজি চিত্রগুলির নিউক্লিয়াস সেগমেন্টেশনের জন্য উচ্চ-রেজোলিউশন গভীর স্থানান্তরিত ASPPU-নেট। Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. গঞ্জালেজ আরসি, উডস আরই (2006) ডিজিটাল ইমেজ প্রসেসিং, 3য় সংস্করণ। প্রেন্টিস হল, নিউ ইয়র্ক, মার্কিন যুক্তরাষ্ট্র। ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) চিত্র স্বীকৃতির জন্য গভীর অবশিষ্ট শিক্ষা। 2016 IEEE কনফারেন্স অন কম্পিউটার ভিশন অ্যান্ড প্যাটার্ন রিকগনিশন (CVPR), লাস ভেগাস, এনভি। পিপি 770-778। https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) ঘনীভূতভাবে সংযুক্ত কনভোল্যুশনাল নেটওয়ার্ক। কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন (CVPR), হনলুলুতে IEEE সম্মেলন। পৃষ্ঠা 2261–2269। https://doi.org/10.1109/CVPR.2017.243

11. হাশেমি এসআর, সালেহি এসএম, এরডোগমাস ডি, প্রভু এসপি, ওয়ারফিল্ড এসকে, ঘোলিপুর এ (2019) উচ্চ-ভারসাম্যহীন মেডিকেল ইমেজ সেগমেন্টেশনের জন্য অসমমিতিক ক্ষতি ফাংশন এবং গভীর ঘন-সংযুক্ত নেটওয়ার্ক: একাধিক স্ক্লেরোসিস ক্ষত সনাক্তকরণের জন্য প্রয়োগ। ইন: IEEE অ্যাক্সেস, ভলিউম 7, পিপি 1721–1735। https://doi.org/10.1109/ACCESS.2018.2886371

12. হানিফ এমএস, বিলাল এম (2020) ছবির শ্রেণীবিভাগের জন্য প্রতিযোগিতামূলক অবশিষ্ট নিউরাল নেটওয়ার্ক। আইসিটি এক্সপ্রেস 6(1):28-37। https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) ব্যাচ স্বাভাবিকীকরণ: অভ্যন্তরীণ কোভারিয়েট শিফট হ্রাস করে গভীর নেটওয়ার্ক প্রশিক্ষণকে ত্বরান্বিত করা। মেশিন লার্নিং। arXiv:1502.03167

14. ইরশাদ এইচ, কৌহসারি এলএম, ওয়াল্টজ জি, বুকুর ও, নওয়াক জেএ, ডং এফ, নব্লাউচ এনডব্লিউ, বেক এএইচ (2015) কম্পিউটেশনাল প্যাথলজিতে নিউক্লিয়াস সনাক্তকরণ এবং সেগমেন্টেশনের জন্য ক্রাউডসোর্সিং ইমেজ টীকা: বিশেষজ্ঞদের মূল্যায়ন, স্বয়ংক্রিয় পদ্ধতি এবং ভিড়। ইন: প্যাসিফিক সিম্পোজিয়াম অন বায়োকম্পিউটিং (পিএসবি), পিপি 294–305। https://doi.org/10.13140/2.1.4067.0721

15. Jadon S (2020) শব্দার্থিক বিভাজনের জন্য ক্ষতি ফাংশন একটি সমীক্ষা. [অনলাইন]। উপলব্ধ: arXiv:2006.14822

16. করিমি ডি, সালকুডিয়ান এসই (2020) কনভোল্যুশনাল নিউরাল নেটওয়ার্কের সাথে মেডিকেল ইমেজ সেগমেন্টেশনে হাউসডর্ফ দূরত্ব হ্রাস করা। IEEE ট্রান্স মেড ইমেজিং 39(2):499–513

17. কুমার এন, ভার্মা আর, শর্মা এস, ভার্গব এস, বাহাদনে এ, শেঠি এ (2017) একটি ডেটাসেট এবং কম্পিউটেশনাল প্যাথলজির জন্য সাধারণ পারমাণবিক বিভাজনের জন্য একটি কৌশল। IEEE ট্রান্স মেড ইমেজিং 36(7):1550-1560

18. খোদাতারস এম, শোয়েবি এ, সাদেঘি ডি, ঘাসেম এন, জাফরি ​​এম, মেরিডিয়ান পি, খাদেম এ, আলিজাদেহসানি আর, জারে এ, কং ওয়াই, খোসরাভি এ, নাহাভান্দি এস, হুসেন এস, আচার্য ইউআর, বার্ক এম (2021) দীপ অটিজম স্পেকট্রাম ডিসঅর্ডারের নিউরোইমেজিং-ভিত্তিক নির্ণয় এবং পুনর্বাসনের জন্য শেখা: একটি পর্যালোচনা। Comput Biol Med 139:104949। https://doi.org/10.1016/j.compbiomed.2021.104949

19. কিংমা ডিপি, বা জে (2015) অ্যাডাম: স্টোকাস্টিক অপ্টিমাইজেশানের জন্য একটি পদ্ধতি। ইন: লার্নিং রিপ্রেজেন্টেশনের উপর আন্তর্জাতিক সম্মেলন, ভলিউম 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: যকৃতের ক্যান্সারের হিস্টোপ্যাথলজি ইমেজের নিউক্লিয়াস সেগমেন্টেশনের জন্য শক্তিশালী গভীর শিক্ষার আর্কিটেকচার। Comput Biol Med 128:104075

21. Lal S, Kanfade A, Alabhya K, Dsouza R, Kumar A, Chanchal AK, Maneesh M, Peryail G, Kini J (2020) H&E দাগযুক্ত হিস্টোপ্যাথলজি চিত্রগুলির নিউক্লিয়াস বিভাজনের জন্য একটি শক্তিশালী পদ্ধতি। সিগন্যাল প্রসেসিং এবং ইন্টিগ্রেটেড নেটওয়ার্ক (SPIN2020), অ্যামিটি ইউনিভার্সিটি দিল্লি এনসিআর, নয়ডা, ইউপির উপর 7 তম IEEE আন্তর্জাতিক সম্মেলন

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: ভলিউম্যাট্রিক মেডিকেল ইমেজ সেগমেন্টেশনের জন্য সম্পূর্ণ কনভোল্যুশনাল নিউরাল নেটওয়ার্ক, 3D ভিশন (3DV) এর উপর চতুর্থ আন্তর্জাতিক সম্মেলন। স্ট্যানফোর্ড, CA পৃষ্ঠা 565-571। https://doi.org/10.1109/3DV.2016.79

23. মালেকিজু এ, ফাদাইইসলাম এমজে (2019) শব্দার্থিক বিভাজনের জন্য পিরামিড পুলিং মডিউল সহ কনভোলিউশন-ডিকনভোলিউশন আর্কিটেকচার। মাল্টিমিড টুলস Appl 78:32379–32392। https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) স্বয়ংক্রিয়ভাবে লিম্ফ নোড ক্লাস্টার সেগমেন্টেশন হোলিস্টিক্যালি-নেস্টেড নিউরাল নেটওয়ার্ক এবং সিটি ইমেজে কাঠামোগত অপ্টিমাইজেশন ব্যবহার করে। ইন: মেডিকেল ইমেজ কম্পিউটিং এবং কম্পিউটার অ্যাসিস্টেড ইন্টারভেনশন – MICCAI 2016। লেকচার নোট ইন কম্পিউটার সায়েন্স, ভলিউম 9901। স্প্রিংগার, চ্যাম। https://doi.org/10.1007/978-3-319-46723-845

25. Naylor P, Lae M, Reyal F, Walter T (2019) দূরত্ব মানচিত্রের গভীর রিগ্রেশন দ্বারা হিস্টোপ্যাথলজি চিত্রগুলিতে নিউক্লিয়াসের বিভাজন। IEEE ট্রান্স মেড ইমেজিং 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: বায়োমেডিকাল ইমেজ সেগমেন্টেশনের জন্য কনভোল্যুশনাল নেটওয়ার্ক। ইন: Proc. MICCAI। স্প্রিংগার, মিউনিখ, জার্মানি, পৃষ্ঠা 234–241

27. স্লাউই এম, ফিয়েট এল (2011) হিস্টোপ্যাথলজি পদ্ধতি: টিস্যু স্যাম্পলিং থেকে হিস্টোপ্যাথলজিকাল মূল্যায়ন পর্যন্ত। পদ্ধতি মোল বিওল (পদ্ধতি প্রোটোক) 691:69–82

28. গান T, Sanchez V, EIDaly H, Rajpoot NM (2017) অস্থি মজ্জা ট্রেফাইন হিস্টোলজি চিত্রগুলিতে মেগাকারিওসাইটিক কোষ বিভাজনের জন্য ডুয়াল-চ্যানেল সক্রিয় কনট্যুর মডেল। IEEE Trans Biomed Eng 64(12):2913–2923

29. সালেহি এসএম, এরডোগমাস ডি, ঘোলিপুর এ (2017) 3D সম্পূর্ণ কনভোলিউশনাল ডিপ নেটওয়ার্ক ব্যবহার করে ইমেজ সেগমেন্টেশনের জন্য Tversky লস ফাংশন। In: Proc, Int Workshop Mach Learn Med Imag. স্প্রিংগার, চ্যাম, সুইজারল্যান্ড, পিপি 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) অত্যন্ত ভারসাম্যহীন সেগমেন্টেশনের জন্য গভীর শিক্ষার ক্ষতি ফাংশন হিসাবে সাধারণ ডাইস ওভারল্যাপ। ইন: মেডিকেল ইমেজ বিশ্লেষণে গভীর শিক্ষা এবং ক্লিনিকাল সিদ্ধান্ত সমর্থনের জন্য মাল্টিমডাল লার্নিং। স্প্রিংগার, পৃষ্ঠা 240-248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) অ্যাটেনশন গেটেড নেটওয়ার্ক: মেডিকেল ইমেজে প্রধান অঞ্চলগুলিকে কাজে লাগাতে শেখা৷ মেড ইমেজ অ্যানাল 53(ISSN 1361- 8415):197–207

32. শোয়েবি এ, খোদাতারস এম, আলিজাদেহসানি আর, ঘাসেমি এন, জাফারি এম, মেরিডিয়ান পি, খাদেম এ, সাদেঘি ডি, হুসেন এস, জারে এ, সানি জেডএ, বাজেলি জে, খোজেইমেহ এফ, খোসরাভি এ, নাহাভান্দি এস, আচার্য ইউআর, শি পি (2020) গভীর শিক্ষার কৌশল ব্যবহার করে কোভিডের স্বয়ংক্রিয় সনাক্তকরণ এবং পূর্বাভাস-19: একটি পর্যালোচনা। মেশিন লার্নিং। arXiv:2007.10785 [cs.LG]

33. শোয়েবি এ, খোদাতারস এম, জাফারি এম, মেরিডিয়ান পি, রেজাই এম, আলিজাদেহসানি আর, খোজেইমেহ এফ, গোরিজ জেএম, হেরাস জে, পানাহিয়াজার এম (2021) ম্যাগনেটিক রেজোন্যান্স ইমেজিং ব্যবহার করে স্বয়ংক্রিয় একাধিক স্ক্লেরোসিস সনাক্তকরণের জন্য গভীর শিক্ষার কৌশলগুলির প্রয়োগ: A পর্যালোচনা, চিত্র এবং ভিডিও প্রক্রিয়াকরণ। arXiv:2105.04881

34. সাদেঘি ডি, শোয়েবি এ, ঘাসেমি এন, মেরিডিয়ান পি, খাদেম এ, আলিজাদেহসানি আর, তেশনেহলাব এম, গরিজ জেএম, নাহাভান্দি এস (2021) সিজোফ্রেনিয়া নির্ণয়ের জন্য কৃত্রিম বুদ্ধিমত্তা কৌশলগুলির উপর একটি ওভারভিউ: ইমেজিং পদ্ধতির উপর ভিত্তি করে ম্যাগনেটিক মোড , চ্যালেঞ্জ, এবং ভবিষ্যতের কাজ। মেশিন লার্নিং। arXiv:2103.03081

35. সুগিনো টি, কাওয়াসে টি এট আল (2021) সম্পূর্ণরূপে কনভোলিউশনাল নেটওয়ার্ক, স্বাস্থ্যসেবা ব্যবহার করে ভারসাম্যহীন মস্তিষ্কের গঠন বিভাজন উন্নত করার জন্য ওজন হ্রাস করা। MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) অবশিষ্ট নেটওয়ার্কগুলি তুলনামূলকভাবে অগভীর নেটওয়ার্কগুলির ensembles এর মত আচরণ করে। নিউরাল ইনফ প্রসেস সিস্টেম পিপি 550-558। arXiv:1605.06431

37. Win KY, Choomchuay S, Hamamoto K (2017) K মানে প্লুরাল ইফিউশন সাইটোলজি ছবিতে ওভারল্যাপিং সেল নিউক্লিয়াসের ক্লাস্টারিং ভিত্তিক স্বয়ংক্রিয় বিভাজন। যোগাযোগের জন্য উন্নত প্রযুক্তির আন্তর্জাতিক সম্মেলন (ATC)। পৃষ্ঠা 265-269। https://doi.org/10.1109/ATC.2017.8167630

38. Zhou S, Nie D, Adeli E, Gao Y, Wang L, Yin J, Shen D (2018) শ্রেনীবিন্যাসের বিস্তৃত নিউরাল নেটওয়ার্ক ব্যবহার করে সূক্ষ্ম দানাদার বিভাজন। ইন: মেডিকেল ইমেজ কম্পিউটিং এবং কম্পিউটার অ্যাসিস্টেড ইন্টারভেনশন, ভলিউম 11073. স্প্রিংগার, চ্যাম, পিপি 488-496

39. Zhou S, Nie D, Adeli E, Yin J, Lian J, Shen D (2020)। ইন: IEEE লেনদেন অন ইমেজ প্রসেসিং, ভলিউম 29, pp 461–475। https://doi.org/10.1109/TIP.2019.2919937

অমিত কুমার চঞ্চল 1 · শ্যাম লাল 1 · জ্যোতি কিনি 2

1 ইলেকট্রনিক্স এবং কমিউনিকেশন ইঞ্জিনিয়ারিং বিভাগ, ন্যাশনাল ইনস্টিটিউট অফ টেকনোলজি কর্ণাটক, সুরথকাল, ম্যাঙ্গালুরু-575025, কর্ণাটক, ভারত

2 প্যাথলজি বিভাগ, কস্তুরবা মেডিকেল কলেজ ম্যাঙ্গালোর, মনিপাল একাডেমি অফ হায়ার এডুকেশন, মনিপাল, ভারত