Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

نرمال سازی رنگ تصاویر بافت آسیب شناسی با استفاده از شبکه های مولد تخاصمی شرطی

Year: 1400
COI: JR_JMVIP-8-2_002
Language: PersianView: 82
This Paper With 17 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 17 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

پگاه صالحی - دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات -گرایش سیستم های چند رسانه ای، دانشگاه رازی کرمانشاه
عبداله چاله چاله - گروه مهندسی کامپیوتر، دانشگاه رازی کرمانشاه

Abstract:

تشخیص سرطان عمدتا توسط تجزیه و تحلیل بصری آسیب شناس، با بررسی مورفولوژی برش های بافت تحت میکروسکوپ انجام می شود. اگر تصویر میکروسکوپی یک نمونه رنگ آمیزی نشود بدون رنگ و بافت به نظر می رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه ها به رنگ آمیزی شیمیایی نیاز دارند. در حین آماده سازی بافت، با توجه به ترکیبات شیمیایی گوناگون، اسکنرهای متنوع و تنوع در انواع بیمارها، بافت های مشابه معمولا در ظاهر متفاوت هستند. این تنوع بالا در رنگ آمیزی علاوه بر اختلاف تفسیری در بین آسیب شناسان، یکی از چالش های اصلی در طراحی سیستم های قدرتمند و انعطاف پذیر برای تجزیه و تحلیل خودکار است. استراتژی های مختلفی از نرمال سازی رنگ به عنوان یک مرحله پیش پردازش در خط لوله سیستم های خودکار پیشنهاد شده است. روشPix۲Pix  که برگرفته شده از شبکه های مولد تخاصمی شرطی(cGAN)  می باشد، یکی از روش های قدرتمند و با توانمندی بالا برای حل مسائل انتقال تصویر به تصویر است. نوآوری اصلی این مقاله ارائه ی یک روش جدید و قدرتمند برای نرمال سازی رنگ تصاویر بافت آسیب شناسی با استفاده از روش Pix۲Pix است که با استفاده از مجموعه داده Mitos-Atypia۱۴ پیاده سازی و ارزیابی شده است. در روش پیشنهادی تصاویر در مقیاس خاکستری به عنوان ورودی به شبکه داده می شود و سپس شبکه یاد می گیرد که با حفظ ساختار و الگوی هیستوپاتولوژی بافت تصویر ورودی را به یک سبک رنگ آمیزی خاص مجددا رنگ آمیزی می کند. این روش در مقایسه با روش های پیشین که به یک تصویر مرجع درستی وابسته بودند، از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می کند.  روش پیشنهادی در مقایسه با برخی از بهترین روش هایی که تاکنون ارائه شده اند، در هر دو ارزیابی کمی و کیفی نتایج  بهتری را به دست آورده است. همچنین به عنوان نوآوری دیگر، روش پیشنهادی در کاربرد بالینی طبقه بندی بافت سینه بر روی مجموعه داده PatchCamelyon اعمال و مورد آزمایش قرار گرفته است، که نتایج حاصل، بهبود ۵ درصدی AUC را نشان می دهد.

Keywords:

یادگیری عمیق , شبکه های مولد تخاصمی شرطی , انتقال تصویر به تصویر , تصاویر هیستوپاتولوژی , نرمال سازی رنگ

Paper COI Code

This Paper COI Code is JR_JMVIP-8-2_002. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1252860/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
صالحی، پگاه و چاله چاله، عبداله،1400،نرمال سازی رنگ تصاویر بافت آسیب شناسی با استفاده از شبکه های مولد تخاصمی شرطی،https://civilica.com/doc/1252860

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 10,630
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support