(49-4) 15 * << * >> * Русский * English * Содержание * Все выпуски

Влияние предварительной обработки и аугментации данных на сегментацию опухолевых ядер с помощью сверточных нейронных сетей
Н.С. Буравский 1, Е.Ю. Костюченко 1

1 Томский государственный университет систем управления и радиоэлектроники,
634050, Россия, г. Томск, Пр. Ленина, д. 40

  PDF, 5025 kB

DOI: 10.18287/2412-6179-CO-1523

Страницы: 667-673.

Аннотация:
Актуальность обнаружения и лечения рака молочной железы на ранних этапах остается высокой. За 2020 год зарегистрировано более 65 000 новых случаев онкологии молочной железы, среднегодовой темп прироста – 2%. Число зафиксированных случаев рака молочной железы является лидирующим в статистике по онкологическим заболеваниям. Целью работы является проведение оценки влияния методов предварительной обработки и аугментации наборов данных для сегментации опухолевых ядер на медицинских изображениях в условиях ограниченного объема данных. В экспериментах используется один исходный набор данных и восемь вариантов его предварительной обработки с использованием алгоритмов нарезки изображений для обучения двух моделей сверточных нейронных сетей U-net и U-net с добавлением энкодера ResNet50. Оценка качества обучения нейронных сетей и сегментации ядер выполняется с помощью двух целевых метрик, Dice и IoU, а также в результате сравнения истинного расположения меток ядер и сегментированных ядер с помощью нейронных сетей. В результате обучения моделей на предварительно обработанных наборах данных получены значения целевых метрик по двум моделям для каждого набора, включая исходный. Для архитектуры U-net значения Dice и IoU равны 0,742 и 0,5921, для архитектуры U-net_ResNet50 – 0,7458 и 0,5971.

Ключевые слова:
предобработка, аугментация, CNN, гистопатологические изображения, BreCAHAD.

Благодарности
Исследование выполнено при финансовой поддержке Министерства образования и науки Российской Федерации в рамках научных проектов, выполняемых коллективами научно-исследовательских лабораторий образовательных учреждений высшего образования, подведомственных Министерству науки и высшего образования Российской Федерации, номер проекта FEWM-2020-0042.

Цитирование:
Буравский, Н.С. Влияние предварительной обработки и аугментации данных на сегментацию опухолевых ядер с помощью сверточных нейронных сетей / Н.С. Буравский, Е.Ю. Костюченко // Компьютерная оптика. – 2025. – Т. 49, № 4. – С. 667-673. – DOI: 10.18287/2412-6179-CO-1523.

Citation:
Buravsky NS, Kostyuchenko EY. Impact of data preprocessing and augmentation on tumor core segmentation using convolutional neural networks. Computer Optics 2025; 49(4): 667-673. DOI: 10.18287/2412-6179-CO-1523.

References:
  1. Zhang H, Qie Y. Applying deep learning to medical imaging: A review. Appl Sci 2023; 13(18): 10521. DOI: 10.3390/app131810521.
  2. Müller D, Kramer F. MIScnn: a framework for medical image segmentation with convolutional neural networks and deep learning. BMC Med Imaging 2021; 21(1): 12. DOI: 10.1186/s12880-020-00543-7.
  3. Aksac A, Demetrick DJ, Ozyer T, et al. BreCaHAD: a dataset for breast cancer histopathological annotation and diagnosis. BMC Res Notes 2019; 12: 82. DOI: 10.1186/s13104-019-4121-7.
  4. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. arXiv Preprint. 2015, May. Source: <https://arxiv.org/abs/1505.04597>. DOI:    10.48550/arXiv.1505.04597.
  5. RoboCraft. Image segmentation using a neural network: U-Net [In Russian]. 2025. Source:     <https://robocraft.ru/machinelearning/3671>.
  6. Banumathy D, Khalaf OI, Romero CAT, P. Raja V, Sharma DK. Breast calcifications and histopathological analysis on tumour detection by CNN. Comput Syst Sci Eng 2023; 44(1): 595-612. DOI: 10.32604/csse.2023.025611.
  7. Tomar NK, Thakur A, Jha D, Rauniyar A. Automatic polyp segmentation using U-Net-ResNet50. arXiv Preprint. 2025. Source: <https://arxiv.org/abs/2012.15247>. DOI: 10.48550/arXiv.2012.15247.
  8. Lu Z, Xu S, Shao W, Wu Y, Zhang J, Han Z, Feng Q, Huang K. Deep-learning-based characterization of tumor-infiltrating lymphocytes in breast cancers from histopathology images and multiomics data. JCO Clin Cancer Inform 2020; 4: 480-490. DOI: 10.1200/CCI.19.00126.
  9. Cheng HD, Cai X, Chen X, Hu L, Lou X. Computer-aided detection and classification of microcalcifications in mammograms: a survey. Pattern Recognit 2003; 36(12): 2967-2991. DOI: 10.1016/S0031-3203(03)00192-4.
  10. Hamad Y, Jasim OK, Simonov K. Evaluating of tissue germination and growth rate of ROI on implants of electron scanning microscopy images. ICIST '19: Proc 9th Int Conf on Information Systems and Technologies 2019: 1-7. DOI: 10.1145/3361570.336159.
  11. Vahadane A, Peng T, Sethi A, et al. Structure-preserving color normalization and sparse stain separation for histological images. IEEE Trans Med Imaging 2016; 35(8): 1962-1971. DOI: 10.1109/TMI.2016.2529665.
  12. Bouteldja N, Klinkhammer BM, Bülow RD, et al. Deep learning-based segmentation and quantification in experimental kidney histopathology. J Am Soc Nephrol 2021; 32(1): 52-68. DOI: 10.1681/ASN.2020050597.
  13. Sirinukunwattana K. и др. Gland segmentation in colon histology images: The glas challenge contest. Med Image Anal 2017; 35: 489-502. DOI: 10.1016/j.media.2016.08.008.
  14. Albarqouni S, Baur C, Achilles F, Belagiannis V, Demirci S, Navab N. AggNet: Deep learning from crowds for mitosis detection in breast cancer histology images. IEEE Trans Med Imaging 2016; 35(5): 1313-1321. DOI: 10.1109/TMI.2016.2528120.
  15. Kowal M, Filipczuk P, Obuchowicz A, Korbicz J, Monczak R. Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images. Comput Biol Med 2013; 43(10): 1563-1572. DOI: 10.1016/j.compbiomed.2013.08.003.
  16. Shallu, Mehra R. Breast cancer histology images classification: Training from scratch or transfer learning? ICT Express 2018; 4(4): 247-254. DOI: 10.1016/j.icte.2018.10.007.
  17. Jha S, Son LH, Kumar R, Priyadarshini I, Smarandache F, Long HV. Neutrosophic image segmentation with Dice Coefficients. Measurement 2019; 134: 762-772. DOI: 10.1016/j.measurement.2018.11.006.
  18. Mohammed SAK, Razak MZA, Rahman AHA. 3D-DIoU: 3D distance intersection over union for multi-object tracking in point cloud. Sensors 2023; 23(7): 3390. DOI: 10.3390/s23073390.
  19. Ding K, Zhou M, Wang H, Gevaert O, Metaxas D, Zhang S. A large-scale synthetic pathological dataset for deep learning-enabled segmentation of breast cancer. Sci Data 2023; 10(1): 231. DOI: 10.1038/s41597-023-02125-y.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20