Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж
Проведено аналіз цитологічних та гістологічних зображень передракових станів молочної залози. Проаналізовано основні компоненти та моделі ЗНМ для класифікації зображень. У даній роботі розроблено модель та структуру згорткової нейронної мережі для класифікації гістологічних та цитологічних зображень...
Збережено в:
| Дата: | 2017 |
|---|---|
| Автори: | , , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2017
|
| Назва видання: | Штучний інтелект |
| Теми: | |
| Онлайн доступ: | http://dspace.nbuv.gov.ua/handle/123456789/132098 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж / О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк // Штучний інтелект. — 2017. — № 1. — С. 29-37. — Бібліогр.: 13 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-132098 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-1320982018-04-11T03:03:23Z Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж Березький, О.М. Піцун, О.Й. Боднар, А.Р. Долинюк, Т.М. Системи розпізнавання і сприйняття образів Проведено аналіз цитологічних та гістологічних зображень передракових станів молочної залози. Проаналізовано основні компоненти та моделі ЗНМ для класифікації зображень. У даній роботі розроблено модель та структуру згорткової нейронної мережі для класифікації гістологічних та цитологічних зображень. Проведено порівняльний аналіз з існуючими алгоритмами машинного навчання: машиною опорних векторів, методом k – найближчих сусідів, методом k – середніх. Analysis of cytological and histological images of breast cancer precursors is conducted. The main components and models of CNM for the classification of images are analyzed. The model and structure of the convolutional neural network for the classification of histological and cytological images are developed in this paper. The comparative analysis with the existing algorithms of machine learning is conducted: the machine of the reference vectors, the method k - the nearest neighbors, the k - medium method. 2017 Article Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж / О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк // Штучний інтелект. — 2017. — № 1. — С. 29-37. — Бібліогр.: 13 назв. — укр. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/132098 004.9 uk Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Ukrainian |
| topic |
Системи розпізнавання і сприйняття образів Системи розпізнавання і сприйняття образів |
| spellingShingle |
Системи розпізнавання і сприйняття образів Системи розпізнавання і сприйняття образів Березький, О.М. Піцун, О.Й. Боднар, А.Р. Долинюк, Т.М. Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж Штучний інтелект |
| description |
Проведено аналіз цитологічних та гістологічних зображень передракових станів молочної залози. Проаналізовано основні компоненти та моделі ЗНМ для класифікації зображень. У даній роботі розроблено модель та структуру згорткової нейронної мережі для класифікації гістологічних та цитологічних зображень. Проведено порівняльний аналіз з існуючими алгоритмами машинного навчання: машиною опорних векторів, методом k – найближчих сусідів, методом k – середніх. |
| format |
Article |
| author |
Березький, О.М. Піцун, О.Й. Боднар, А.Р. Долинюк, Т.М. |
| author_facet |
Березький, О.М. Піцун, О.Й. Боднар, А.Р. Долинюк, Т.М. |
| author_sort |
Березький, О.М. |
| title |
Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж |
| title_short |
Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж |
| title_full |
Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж |
| title_fullStr |
Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж |
| title_full_unstemmed |
Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж |
| title_sort |
класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| publishDate |
2017 |
| topic_facet |
Системи розпізнавання і сприйняття образів |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/132098 |
| citation_txt |
Класифікація гістологічних та цитологічних зображень на основі згорткових нейронних мереж / О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк // Штучний інтелект. — 2017. — № 1. — С. 29-37. — Бібліогр.: 13 назв. — укр. |
| series |
Штучний інтелект |
| work_keys_str_mv |
AT berezʹkijom klasifíkacíâgístologíčnihtacitologíčnihzobraženʹnaosnovízgortkovihnejronnihmerež AT pícunoj klasifíkacíâgístologíčnihtacitologíčnihzobraženʹnaosnovízgortkovihnejronnihmerež AT bodnarar klasifíkacíâgístologíčnihtacitologíčnihzobraženʹnaosnovízgortkovihnejronnihmerež AT dolinûktm klasifíkacíâgístologíčnihtacitologíčnihzobraženʹnaosnovízgortkovihnejronnihmerež |
| first_indexed |
2025-07-09T16:43:11Z |
| last_indexed |
2025-07-09T16:43:11Z |
| _version_ |
1837189206945824768 |
| fulltext |
ISSN 1561-5359. Штучний інтелект, 2017, № 1
© О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк 29
УДК 004.9
О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк
Тернопільський національний економічний університет, Україна
вул. Львівська, 11, м. Тернопіль, 46004
КЛАСИФІКАЦІЯ ГІСТОЛОГІЧНИХ ТА ЦИТОЛОГІЧНИХ
ЗОБРАЖЕНЬ НА ОСНОВІ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ
O.M. Berezsky, O.Y. Pitsun, A.R. Bodnar T.M. Dolynyuk
Ternopil national economic university, Ukraine,
11, Lvivska st., Ternopil, 46004
HISTOLOGICAL AND CYTOLOGICAL IMAGES CLASSIFICATION
BASED ON CONVOLUTIONAL NEURAL NETWORKS
Проведено аналіз цитологічних та гістологічних зображень передракових станів молочної
залози. Проаналізовано основні компоненти та моделі ЗНМ для класифікації зображень. У даній
роботі розроблено модель та структуру згорткової нейронної мережі для класифікації гістологічних
та цитологічних зображень. Проведено порівняльний аналіз з існуючими алгоритмами машинного
навчання: машиною опорних векторів, методом k – найближчих сусідів, методом k – середніх.
Ключові слова: згорткові нейронні мережі, метод опорних векторів, метод k – найближчих
сусідів, метод k – середніх, гістологічні та цитологічні зображення.
Analysis of cytological and histological images of breast cancer precursors is conducted. The main
components and models of CNM for the classification of images are analyzed. The model and structure of the
convolutional neural network for the classification of histological and cytological images are developed in
this paper. The comparative analysis with the existing algorithms of machine learning is conducted: the
machine of the reference vectors, the method k - the nearest neighbors, the k - medium method.
Keywords: Convolutional neural networks, SVM, SVM, k-nearest neighbors, k-means, histological
and cytological images.
Вступ
За даними канцер-реєстру смертність жінок від раку молочної залози посідає
перше місце в онкологічних захворюваннях. Рання діагностика потребує точної і
надійної методики постановки діагнозу. Діагностування патологічних процесів в
онкології базується на аналізі цитологічних і гістологічних зображень. Цитологічні
зображення це зображення окремих клітин, а гістологічні це зображення груп
клітин (тканин).
На сьогодні при діагностуванні патологічних станів в онкології
використовують системи автоматизованої мікроскопії (САМ). У САМ
застосовуються алгоритми комп’ютерного зору всіх рівнів: низького, середнього та
високого. Особливе значення при діагностуванні має третій етап опрацювання
зображень (класифікація зображень). Класифікація відносить зображення до того чи
іншого класу патологій. На даний момент існують такі методи класифікації:
байєсівський, метод опорних векторів, логістична регресія, AdaBoost, нейронні
мережі, згорткові нейронні мережі [1]. За останні п’ять років, у зв’язку із ростом
обчислювальних можливостей, різко зросла популярність застосування згорткових
нейронних мереж (ЗНМ) [2,3]. Перевагою використання ЗНМ для класифікації
біомедичних зображень є простота у підготовці вхідних даних та відносно висока
точність класифікації.
Основною проблемою дослідження та діагностування передракових станів
молочної залози є складність та трудомісткість даного процесу. Для діагностики
таких процесів використовують гістологічні та цитологічні зображення. Вони
характеризуються високою складністю опрацювання через значний рівень шуму,
однорідність, нерівномірність освітлення зразків під мікроскопом. Аналіз зображень
вимагає спеціальних навичок у лікарів-діагностів у галузі комп’ютерного зору.
Тому існує проблема попередньої діагностики передракових станів молочної за
допомогою програмних засобів класифікації зображень.
ISSN 1561-5359. Штучний інтелект, 2017, № 1
30 © О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк
Аналіз публікацій
Нейронні мережі використовуються для розв’язання широкого кола задач
штучного інтелекту в різних предметних областях, в тому числі в медицині. ЗНМ
найчастіше використовують для розпізнавання тексту на зображенні. Однак,
останнім часом багато науковців використовують їх для розпізнавання та
класифікації біомедичних зображень. Kumar A. та Kim J. у своїй роботі [3]
використовують ЗНМ для класифікації біомедичних зображень. Adnan Qayyum та
Syed Muhammad Anwar [4] пропонують структуру програмної системи на основі
ЗНМ для пошуку біомедичних зображень на основі змісту. Особливу увагу автори
звертають на процес навчання та вибору моделі нейронної мережі. Hoo-Chang Shin у
статті «Deep Convolutional Neural Networks for Computer-Aided Detection: CNN
Architectures, Dataset Characteristics and Transfer Learning» приділяє значну увагу
архітектурі розробленої ЗНМ та порівнянні її з такими існуючими: «AlexNet»,
«GoogleNet». Також у статті детально описано процес навчання мережі та роботу з
базою даних зображень [5]. Hubert Cecotti та Axel Graser [6] порівнюють різні
архітектури ЗНМ та описують програмний додаток для розпізнавання зображень. У
роботі [7] наводяться приклади та методології класифікації зображень для виявлення
мітозу в патологіях раку молочної залози.
Отже, метою роботи є аналіз цитологічних і гістологічних зображень
передракових станів молочної залози, розробка моделі та структури згорткової
нейронної мережі, програмна реалізація модуля класифікації гістологічних та
цитологічних зображень та порівняння його з відомими класифікаторами.
Аналіз цитологічних та гістологічних зображень передракових станів
молочної залози
Розглянемо такі передракові стани молочної залози: проліферативну
мастопатію, непроліферативну мастопатію, фіброаденому для гістологічних і
цитологічних зображень відповідно.
Проліферативна мастопатія Для цитологічної діагностики передракової
проліферації епітелію на фоні мастопатії або фіброаденоми необхідна присутність у
препараті окремих, різко збільшених, епітеліальних клітин з ознаками атипії.
Розміри великих атипових клітин можуть бути досить значними.
Непроліферативна мастопатія. Ознакою проліферації клітин можуть служити
зміни морфологічних властивостей клітин або поява незвичних для незміненого
органа багатоклітинних епітеліальних структур. До клітинних критеріїв проліферації
слід віднести зменшення розмірів клітин і їх ядер.
Фіброаденома. Листовидні пухлини молочної залози (клітинна
інтраканалікулярна фіброаденома, проліферуюча фіброаденома) є доброякісними
пухлинами з активним розмноженням клітинних елементів строми з ознаками
міксоматозу та гіалінозу.
Аналіз гістологічних зображень.
Проліферативна мастопатія. Міоепітеліальні клітини зазнають змін. Залежно
від свого функціонального стану вони поодинокі або багаточисельні, темні і
видовжені, світлі і такі, які містять міхурцеві включення. Цих змін зазнають клітини,
які заходяться між базальною мембраною та секретуючим епітелієм альвеол і
дрібних протоків.
Непроліферативна мастопатія. Мастопатія з переважанням кістозного
компонента проявляється кістами, чітко відмежованими від навколишніх тканин
залозами, утвореними з атрофованих часточок і розширених проток залоз з
фіброзними змінами інтерстиціальної тканини.
Фіброаденома має вигляд інкапсульованого вузла щільної консистенції
волокнистої будови.
Структура модуля класифікації гістологічних та цитологічних зображень
У клінічній практиці для діагностування передракових станів використовують
САМ, куди входять камера, мікроскоп та спеціалізоване програмне забезпечення. На
ISSN 1561-5359. Штучний інтелект, 2017, № 1
© О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк 31
етапі формування стеку зображень та передачі їх по каналах зв’язку на зображення
вливають шуми. Шум може бути помилково ідентифікований як складова частина
досліджуваного мікрооб’єкта. Двома найпоширенішими видами шумів є адитивний
гаусовий та імпульсний [9,12]. Розглянемо послідовність кроків при навчанні та
класифікації ЗНМ.
Послідовність кроків при навчанні ЗНМ така:
1. Вибір директорії із зображеннями для навчання. Зображення знаходяться в
піддиректоріях, назва кожної піддиректорії співпадає з назвою класу, до якого
відноситься зображення.
2. Кожне зображення потрапляє на модуль попередньої обробки.
3. Налаштування параметрів мережі, вибір моделі.
4. Зберігання результатів навчання в файл.
Послідовність кроків при класифікації зображень така:
1. Завантаження директорії з вхідними зображеннями.
2. Попередня обробка зображень.
3. Завантаження файлу з навченою ЗНМ та початок класифікації.
4. Вивід результату роботи мережі.
Структуру модуля класифікації зображень наведено на рис. 1.
Рис. 1. Загальна структура модуля для класифікації зображень з використанням ЗНМ
ISSN 1561-5359. Штучний інтелект, 2017, № 1
32 © О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк
Загальна структура згорткових нейронних мереж
У даній роботі на вхід ЗНМ надходять гістологічні та цитологічні зображення.
Завданням нейронної мережі є віднесення вхідного зображення до певного класу.
ЗНМ складається з послідовності згорткових, дискретизуючих та повнозв’язних
шарів. Перші два типи шарів (convolutional, subsampling), чергуючись між собою,
формують вхідний вектор ознак для багатошарового перцептрона.
Операцію згортки представимо формулою:
де вихідна матриця зображення,
ядро (матриця) згортки,
m, n – розміри зображення,
k,l – розміри ядра згортки.
Неформально цю операцію можна описати таким чином: вікном розміру ядра
проходимо з заданим кроком зображення , на кожному кроці поелементно
множимо вміст вікна на ядро , результат підсумовується і записується в матрицю
результату [8]. У згортковому шарі кожен вихідний нейрон з'єднаний тільки з
певною (невеликою) областю вхідної матриці. У спрощеному вигляді цей шар можна
описати так:
де вихід шару ,
() функція активації,
коефіцієнт зсуву.
При цьому за рахунок крайових ефектів розмір вихідних матриць зменшується
та описується виразом:
де карта ознак (вихід шару ),
() функція активації,
коефіцієнт зсуву для карти ознак j,
gj - ядро згортки номер j ,
карти ознак попереднього шару.
Субдискретизуючі шари в ЗНМ виконують роль зменшення розміру вхідної
карти ознак [10]. Це можна робити різними способами. У даному випадку ми
розглянемо метод вибору максимального елемента (max-pooling): вся карта ознак
поділяється на осередки 2х2 елемента, з яких вибираються максимальні за
значенням. Формально субдискретизуючий шар може бути описаний так:
де вихід шару ,
() функція активації,
, коефіцієнти,
() операція вибірки локальних максимальних значень.
У повнозв’язному шарі вхідні нейрони під’єднані до всіх активацій у
попередньому шарі [11]. Даний шар проводить підрахунок оцінки класу, і на вихід
подає вектор розмірністю N, де N кількість класів.
ISSN 1561-5359. Штучний інтелект, 2017, № 1
© О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк 33
Одним з найважливіших аспектів будь-якої нейронної мережі є функція
активації, яка приносить у мережу нелінійність. Існують такі поширені функції
активації: сигмоїдна, гіперболічний тангенс і функція типу «випрамляч».
Сигмоїдна функція дозволяє підсилювати слабкі сигнали та переходити в
насичення у випадку сильних сигналів. Недоліком сигмоїдної функції активації є те,
що насичення сигмоїд приводить до затухання градієнтів.
Гіперболічний тангенс приймає на вході довільне дійсне число, а на виході дає
дійсне число в інтервалі від 1 до 1. Гіперболічний тангенс так само як і сигмоїда
може насичуватися. Перевагою гіперболічного тангенсу у порівнянні з сигмоїдою є
те, що вихід даної функції центрований відносно нуля.
Функція активації типу «випрамляч» ReLU (rectified linear unit) реалізує
простий пороговий перехід у нулі та обчислюється за формулою:
Її перевагами є:
- у порівнянні з сигмоїдною ReLU реалізована за допомогою простого
порогового перетворення матриці активацій в нулі;
- ReLU не насичується;
- застосування ReLU істотно підвищує швидкість збіжності стохастичного
градієнтного спуску.
Недоліком функції є не надійність у процесі навчання.
Загальну структуру ЗНМ наведено на рис. 2.
Рис. 2. Загальна структура ЗНМ
Структуру існуючих моделей для класифікації зображень наведено на рис. 3.
Рис. 3. Поширені структури ЗНМ
ISSN 1561-5359. Штучний інтелект, 2017, № 1
34 © О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк
Недоліками цитологічних зображень є низький рівень контрасту та
зашумленість, тому у даній роботі запропоновано декілька нових моделей ЗНМ.
Навчальну вибірку зображень поділено на такі класи:
- цито – кістозна – мастопатія;
- цито – мастопатія;
- цито – непроліферативна – фібро – мастопатія;
- рак.
Розглянемо такі моделі ЗНМ для класифікації цитологічних та гістологічних
зображень (рис. 4)
Рис. 4. Розроблені моделі ЗНМ для класифікації цитологічних та гістологічних
зображень (а – 5 згорткових шарів + 2 субдискретизуючі розмір вікна 5х5);
б – 4 згорткові шари + 2 субдискретизуючі (розмір вікна 5х5);
в – 4 згорткові шари + 2 субдискретизуючі (розмір вікна 3х3))
Результати класифікації цитологічних та гістологічних зображень
Результати роботи наведених моделей наведено на рис. 5. Для порівняння було
обрано існуючі моделі AlexNet та LeNet та розроблені моделі, які зображені на
рисунках 4(а) та 4(б).
ISSN 1561-5359. Штучний інтелект, 2017, № 1
© О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк 35
Рис. 5. Результати роботи моделей ЗНМ для класифікації цитологічних зображень
Для навчання та класифікації ЗНМ використано базу даних зображень [13].
Експерименти проводились над однією і тією ж вибіркою цитологічних зображень,
але з різною кількістю епох. Епоха – це один період дискретизації, що включає в
себе процес прямого поширення, зворотнього поширення, функції втрат та
оновлення ваг. У результаті аналізу можна зробити висновок, що якість класифікації
залежить від кількості епох. Моделі показали приблизно однакові результати, однак
найкращий результат показала модель ЗНМ, зображена на рисунку 4(б) – 83%.
Результати роботи моделей ЗНМ для класифікації гістологічних зображень
наведено на рис. 6.
Рис. 6. Результати роботи моделей ЗНМ для класифікації гістологічних зображень
Як видно з представлених графіків, точність роботи ЗНМ для класифікації
гістологічних зображень раку молочної залози прямо пропорційно залежить від
розміру навчальної вибірки та кількості епох під час навчання. Порівняльний аналіз
класифікаторів наведено на рис. 7.
Рис. 7. Порівняльний аналіз класифікації цитологічних зображень
ISSN 1561-5359. Штучний інтелект, 2017, № 1
36 © О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк
Як видно з рисунку 7, згорткові нейронні мережі показали найкращі результати
у порівнянні з алгоритмами k-nearest neighbors, k-means, SVM. До того ж ЗНМ не
вимагають значного попереднього оброблення зображень, виділення мікрооб’єктів
та підрахунку кількісних характеристик.
Висновки
У даній роботі здійснено аналіз гістологічних і цитологічних зображень
передракових станів молочної залози, виділено їх характерні ознаки. Проведено
аналіз існуючих моделей ЗНМ, що дозволило побудувати модель ЗНМ для
класифікації патологічних станів молочної залози. Послідовність шарів згортки,
субдискретизації та їх вхідні параметри визначають структуру моделі згорткової
мережі. Результати роботи ЗНМ було порівняно із відомими аналогами: машиною
опорних векторів, методом k – найближчих сусідів, методом k – середніх. Точність
класифікації для цитологічних зображень склала – 83 %, для гістологічних – 79 %.
Література
1. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski // Springer, 2010.
2. Ciresan D.C. Flexible high performance convolutional neural networks for image classification /
D.C. Ciresan, U. Meier, J. Masci, L.M. Gambardella, J. Schmidhuber // International Joint Conference
on Artificial Intelligence, Manno-Lugano, Switzerland, 2011.
3. Kumar A. An Ensemble of Fine-Tuned Convolutional Neural Networks for Medical Image
Classification / A. Kumar, J. Kim, D. Lyndon, M. Fulham, D. Feng // IEEE J Biomed Health Inform. –
2017. – Vol. 21(1). – p. 31-40.
4. Qayyum A. Medical Image Retrieval using Deep Convolutional Neural Network / A. Qayyum,
S.M. Anwar, M. Awais, M. Majid // Neurocomputing. – 2017.
5. Hoo-Chang S. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN
Architectures, Dataset Characteristics and Transfer Learning / Hoo-Chang Shin, R. Roth, Mingchen
Gao, Le Lu // IEEE Transactions on Medical Imaging. – 2016. – V. 35(5).
6. Cecotti H. Convolutional Neural Networks for P300 Detection with Application to Brain-Computer
Interfaces / H. Cecotti, A. Graser // IEEE transactions on pattern analysis and machine intelligence. -
2011, Vol. 33(3).
7. Wang H. Mitosis detection in breast cancer pathology images by combining handcrafted and
convolutional neural network features / H. Wang, A. Cruz-Roa, A. Basavanhally // J Med Imaging. –
2014. – Vol. 1(3).
8. Roux L. Mitosis detection in breast cancer histological images: an ICPR 2012 contest / L. Roux //
J. Pathol. – 2013, Vol. 4(1). – p. 8–14.
9. Berezsky O. Computer diagnostic tools based on biomedical image analysis / O. Berezsky, O. Pitsun,
S. Verbobyy, T. Datsko, A. Bodnar // Proceedings The Experience of Designing and Application of
CAD Systems in Microelectronics (CADSM) Polyana, Svalyava, (Zakarpattya), Ukraine, February 21
25, 2017 – p. 388-391.
10. Sommer C. «ilastik: Interactive learning and segmentation toolkit»/ C. Sommer, C. Straehle, U. Koethe,
F.A. Hamprecht. // In 8th IEEE International Symposium on Biomedical Imaging (ISBI), 2011.
11. Dalle J. Automatic breast cancer grading of histopathological images. / J. Dalle, W. Leow,
D. Racoceanu, A. Tutac, T. Putti. // In 30th Annual International Conference on Engineering in Medicine
and Biology Society, pages 3052–3055. IEEE, 2008.
12. Berezsky O. Automated Processing of Cytological and Histological Images / Oleh Berezsky, Oleh Pitsun
// Perspective Technologies and Methods in MEMS Design (MEMSTECH’2016) : XII th International
Conference, Lviv-Polyana, 20-24 April 2016 : proceedings. – Lviv, 2016. – P. 51-53.
13. Березький О.М. Розроблення реляційної бази даних інтелектуальної системи автоматизованої
мікроскопії / О.М. Березький, О.Й. Піцун, О.С. Вербовий та ін. // Науковий вісник НЛТУ України :
збірник науково-технічних праць. Львів: РВВ НЛТУ України. 2017. №. 27(5). 125-129 с.
Literatura
1. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski // Springer, 2010.
2. Ciresan D.C. Flexible high performance convolutional neural networks for image classification /
D.C. Ciresan, U. Meier, J. Masci, L.M. Gambardella, J. Schmidhuber // International Joint Conference
on Artificial Intelligence, Manno-Lugano, Switzerland, 2011.
3. Kumar A. An Ensemble of Fine-Tuned Convolutional Neural Networks for Medical Image
Classification / A. Kumar, J. Kim, D. Lyndon, M. Fulham, D. Feng // IEEE J Biomed Health Inform. –
2017. – Vol. 21(1). – p. 31-40.
4. Qayyum A. Medical Image Retrieval using Deep Convolutional Neural Network / A. Qayyum,
S.M. Anwar, M. Awais, M. Majid // Neurocomputing. – 2017.
ISSN 1561-5359. Штучний інтелект, 2017, № 1
© О.М. Березький, О.Й. Піцун, А.Р. Боднар, Т.М. Долинюк 37
5. Hoo-Chang S. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN
Architectures, Dataset Characteristics and Transfer Learning / Hoo-Chang Shin, R. Roth, Mingchen
Gao, Le Lu // IEEE Transactions on Medical Imaging. – 2016. – V. 35(5).
6. Cecotti H. Convolutional Neural Networks for P300 Detection with Application to Brain-Computer Interfaces
/ H. Cecotti, A. Graser // IEEE transactions on pattern analysis and machine intelligence. - 2011, Vol. 33(3).
7. Wang H. Mitosis detection in breast cancer pathology images by combining handcrafted and
convolutional neural network features / H. Wang, A. Cruz-Roa, A. Basavanhally // J Med Imaging. –
2014. – Vol. 1(3).
8. Roux L. Mitosis detection in breast cancer histological images: an ICPR 2012 contest / L. Roux //
J. Pathol. – 2013, Vol. 4(1). – p. 8–14.
9. Berezsky O. Computer diagnostic tools based on biomedical image analysis / O. Berezsky, O. Pitsun, S.
Verbobyy, T. Datsko, A. Bodnar // Proceedings The Experience of Designing and Application of CAD
Systems in Microelectronics (CADSM) Polyana, Svalyava, (Zakarpattya), Ukraine, February 21 25,
2017 – p. 388-391.
10. Sommer C. «ilastik: Interactive learning and segmentation toolkit»/ C. Sommer, C. Straehle, U. Koethe,
F.A. Hamprecht. // In 8th IEEE International Symposium on Biomedical Imaging (ISBI), 2011.
11. Dalle J. Automatic breast cancer grading of histopathological images. / J. Dalle, W. Leow,
D. Racoceanu, A. Tutac, T. Putti. // In 30th Annual International Conference on Engineering in Medicine
and Biology Society, pages 3052–3055. IEEE, 2008.
12. Berezsky O. Automated Processing of Cytological and Histological Images / Oleh Berezsky, Oleh Pitsun
// Perspective Technologies and Methods in MEMS Design (MEMSTECH’2016) : XII th International
Conference, Lviv-Polyana, 20-24 April 2016 : proceedings. – Lviv, 2016. – P. 51-53.
13. Berez'kyy O. M. Rozroblennya relyatsiynoyi bazy danykh intelektual'noyi systemy avtomatyzovanoyi
mikroskopiyi / O. M. Berez'kyy, O.Y. Pitsun, O. S. Verbovyy ta in. // Naukovyy visnyk NLTU Ukrayiny :
zbirnyk naukovo-tekhnichnykh prats'. L'viv : RVV NLTU Ukrayiny. 2017. #. 27(5). 125-129 s.
RESUME
O.M. Berezsky, O.Y. Pitsun, A.R. Bodnar, T.M. Dolynyuk
Histological and cytological images classification based on convolutional neural networks
The authors analyzed the existing models of convolutional neural networks
(AlexNet, LeNet) for the classification of histological and cytological images. The own
model of convergent neural network was developed and implemented and a comparative
analysis with modern classifiers was conducted.
Histological and cytological image analysis is a complex and time-consuming
process that requires some specialized skills from physicians. Therefore, the development
of the module for classification of images is a relevant task that will accelerate the work of
doctors in a medical institution.
The contraction neural network uses a sequence of convolution layers and sub-
samplers to highlight the characteristic features of the image. The sequence of these layers
and their input parameters determine the network model. The educational sample of
cytological images is divided into the following classes: cytotoxicosis - mastopathy,
cytoplasmopathy, cytopropylerative - fibro - mastopathy, cancer.
The thesis proposed general structure of the module of the intelligent system of automated
microscopy for the images classification, which consists of the following basic steps: image
loading, preprocessing (filtering, contrasting, histogram alignment), selection of test sample,
network learning, storing the results into a file for further use and directly - classification.
The input data for classification using SVM methods k-nearest neighbors and k-
means are quantitative characteristics of microscopic objects, for example: core area,
circumference, length of the main axis.
As a result of the research it can be concluded that the accuracy of the classification
of cytological and histological images by means of convolutional neural networks is
higher, compared with the classifiers SVM, k-nearest neighbors, k-means.
Надійшла до редакції 05.06.2017
|