نرمال سازي رنگ تصاوير بافت آسيب شناسي با استفاده از شبك ههاي مولد تخاصمي شرطي

Abstract: تشخيص سرطان عمدتا توسط تجزيه و تحليل بصري آسيب شناس، با بررسي مورفولوژي برش هاي بافت تحت ميكروسكوپ انجام مي شود. اگر تصوير ميكروسكوپي يك نمونه رنگ آميزي نشود بدون رنگ و بافت به نظر مي رسد، بنابراين براي ايجاد كنتراست و شناسايي اجزاي خاص بافت، نمونه ها به رنگ آميزي شيميايي نياز دارند. در حين آماده سازي بافت، با توجه به تركيبات شيميايي گوناگون، اسكنرهاي متنوع و تنوع در انواع بيمارها، بافت هاي مشابه معمولا در ظاهر متفاوت هستند. اين تنوع بالا در رنگ آميزي علاوه بر اختلاف تفسيري در بين آسيب شناسان، يكي از چالش هاي اصلي در طراحي سيستم هاي قدرتمند و انعطاف پذير براي تجزيه و تحليل خودكار است. استراتژي هاي مختلفي از نرمال سازي رنگ به عنوان يك مرحله پيش پردازش در خط لوله سيستم هاي خودكار پيشنهاد شده است. روشPix2Pix كه برگرفته شده از شبكه هاي مولد تخاصمي شرطي(cGAN) مي باشد، يكي از روش هاي قدرتمند و با توانمندي بالا براي حل مسائل انتقال تصوير به تصوير است. نوآوري اصلي اين مقاله ارائه ي يك روش جديد و قدرتمند براي نرمال سازي رنگ تصاوير بافت آسيب شناسي با استفاده از روش Pix2Pix است كه با استفاده از مجموعه داده Mitos-Atypia14 پياده سازي و ارزيابي شده است. در روش پيشنهادي تصاوير در مقياس خاكستري به عنوان ورودي به شبكه داده مي شود و سپس شبكه ياد مي گيرد كه با حفظ ساختار و الگوي هيستوپاتولوژي بافت تصوير ورودي را به يك سبك رنگ آميزي خاص مجددا رنگ آميزي مي كند. اين روش در مقايسه با روش هاي پيشين كه به يك تصوير مرجع درستي وابسته بودند، از توزيع تمامي تصاوير مجموعه آموزش براي يادگيري استفاده مي كند. روش پيشنهادي در مقايسه با برخي از بهترين روش هايي كه تاكنون ارائه شده اند، در هر دو ارزيابي كمي و كيفي نتايج بهتري را به دست آورده است. همچنين به عنوان نوآوري ديگر، روش پيشنهادي در كاربرد باليني طبقه بندي بافت سينه بر روي مجموعه داده PatchCamelyon اعمال و مورد آزمايش قرار گرفته است، كه نتايج حاصل، بهبود 5 درصدي AUC را نشان مي دهد.

no abstract