Ақпарат

Суретті өңдеу мен SEM көмегімен гиперплазия фазасындағы қатерлі ісікті анықтау

Суретті өңдеу мен SEM көмегімен гиперплазия фазасындағы қатерлі ісікті анықтау


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Мен гиперплазия сатысында қатерлі ісіктің дамуын анықтау үшін SEM немесе басқа спектроскопияны қолданар алдында біреуді сынап көрдім бе деп ойлайтынмын:

Мұны істеудің жақсы әдісі сияқты? Менің ойымша, биопсия осылай жұмыс істейді, бірақ, мүмкін, бұл әдісті қолдана отырып, қауіп тобындағы адамдарды тексеруге болады.


Дәл спектроскопия емес, бірақ микроскопия Әйелдерге өмір бойы үзіліссіз берілетін стандартты ПАП тестінің бір бөлігі ретінде ісікке дейінгі тіндерді анықтау үшін жиі қолданылады:

https://kk.wikipedia.org/wiki/Pap_test

Мұны әдетте цитологтар тобы жасайды (патологтар нәтижелерді растайды, әсіресе қалыптан тыс жағдайларда), бірақ автоматтандырылған скрининг жүргізіле бастайды (адамның бақылауымен).

Скринингтің кез келген түріндегі проблемалардың бірі - ықтимал проблемалы тіндерді бақылау қажет, бұл әдетте өте инвазивті процедура болып табылады. Потенциалды меланома әдетте талдау алдында кесіледі және мен сканерлеуші ​​электронды микроскопты қамтитын кез келген процедура талдау алдында тіндерді жоюды қажет етеді деп күтемін.

Қатерлі ісік скринингі саласындағы неғұрлым қызықты даму-қандағы жасушасыз геномдық ДНҚ іздеу; Қан анализі басқа тіндерді кетіруге қарағанда скринингтік мақсаттарда жақсы төзімді. Қысқа оқылымның жоғары өткізу қабілеттілігімен кейбір қатерлі ісік аурулары ДНҚ өзгерістерін гистологиялық әдістермен анықталмай тұрып көруі мүмкін.

Мұнда cfDNA скринингі туралы шолу қағазы бар, ол жалпы нәрсеге теріс әсер етеді:

http://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1002205

Және жалпы алғанда оң:

http://cancerres.aacrjournals.org/content/76/14_Supplement/LB-136.short


Сүт безінің биопсиялық тіндеріндегі пренеопластикалық және неопластикалық түтіктің зақымдалуын диагностикалауды жылдамдату үшін машиналық оқытуға негізделген суретті талдау

Кеуде биопсиясының үлгілеріндегі морфологиясы ұқсас болғандықтан, сүт безінің пренопластикалық және неопластикалық зақымдануларының диагнозы қиын. Бұл зақымдануларды диагностикалау үшін патологтар иммуногистохимиялық анализ жүргізеді және емшектегі патологтармен кеңеседі. Бұл қосымша емтихандар көп уақытты және қымбатты. Жасанды интеллектке (AI) негізделген кескінді талдау жақында жақсарды және патологиялық диагностикаға көмектесуі мүмкін. Мұнда біз жоғары білімді диагностикалауды жеңілдету үшін сүт безінің пренопластикалық және неопластикалық зақымдануларының машиналық оқытуға негізделген кескін талдауының маңыздылығын көрсеттік.

Әдістері

Суреттер қалыпты сүт бездерінен, гиперпластикалық зақымданулардан, пренопластикалық зақымданулардан және неопластикалық зақымданулардан алынды, мысалы кәдімгі түтік гиперплазиясы (UDH), бағаналы жасушалық зақымдану (CCL), дуктальды карцинома in situ (DCIS) және комедо некрозы бар DCIS (комедо DCIS) сүт безінің биопсиясының үлгілерінде. Патологиялық суреттерді талдау үшін түпнұсқалық конвульсияланған нейрондық желі (CNN) жүйесі қолданылды.

Нәтижелер

AI негізіндегі кескінді талдау қисық мәндердің (AUC) астында келесі аймақты қамтамасыз етті: DCIS-ке қарсы қалыпты зақым, 0.9902 DCIS комедо DCIS-ке қарсы, 0.9942 қалыпты зақым CCL-ге қарсы, 0.9786 және UDH DCIS-ке қарсы, 1.000. Бірнеше салыстыру талдауы дәл салыстыру талдауларына ұқсас дәлдік пен еске түсіру көрсеткіштерін көрсетті. CNN анализінің нәтижесін көрсететін маңызды аймақтарды визуализациялау үшін пайдаланылатын градиентпен өлшенген класс активтендіру картасына (Grad-CAM) сүйене отырып, барлық өлшенген аймақта стромальды тіндердің қатынасы DCIS-ке қарағанда UDH мен CCL-де айтарлықтай жоғары болды.

Қорытындылар

Бұл талдаулар пациенттердің дәлірек және жылдам патологиялық диагнозын қамтамасыз ете алады. Сонымен қатар, Grad-CAM ауруды түсіну үшін жаңа патологиялық нәтижелер мен зерттеулердің мақсаттары үшін анықталмаған маңызды гистологиялық сипаттамаларды анықтайды.


МАТЕРИАЛДАР МЕН ТӘСІЛДЕР

Лимфа түйіндері 2000-2002 жылдар аралығында Ресей медицина ғылымдары академиясының гематология ғылыми орталығында (Мәскеу, Ресей) пациенттерге жасалған операция кезінде алынды. Диагноз Дүниежүзілік денсаулық сақтау ұйымының критерийлері бойынша қойылды. Ағымдағы зерттеу үшін келесі неоплазмалар таңдалды: реактивті лимфоидты гиперплазия (1-9 жағдайлары), бастапқы LCL (DLBCL, 10-22 жағдайлар Ходжкин лимфомасы [HL], 35 жағдай анапластикалық ірі жасушалы лимфома [ALCL], 36 жағдай және BL, 37-жағдай), B-CLL (23-29-жағдайлар) және B-CLL-дің үлкен жасушалық трансформациясы (30-34-жағдайлар).

Басып шығаруды дайындау түймесін түртіңіз

Операциядан сенсорлық ізге дейінгі дайындық уақыты 15-30 минутты құрады. Сенсорлық іздер ауада кептірілді, бөлме температурасында 15 минут метанолмен бекітілді, Giemsa дақымен (Merck, Whitehouse Station, NJ) өңделді және DePeX көмегімен қабықтың астына орнатылды (Serva, Heidelberg, Германия). Алынған препараттар PLN Fluotar 100/1.3 объектісі бар Leica DMRBE микроскопымен (Leica, Solms, Германия) бірге DC290 камерасын (үлгі алу тығыздығы, микрометрге 22,2 пиксель Kodak, Рочестер, Нью-Йорк) пайдаланып суретке түсірді. Суреттер Tagged Image File (TIFF) форматында жазылды.

Жанама иммунотаңбалау

Пролиферативті жасушаларды анықтау үшін сенсорлы іздер көп қабатты слайдтарда жасалды, олар кейіннен ауада кептіріліп -20 ° C температурада сақталды. Таңдалған жағдайларда іздер −20 °C температурада 15 минут бойы ацетонмен өткізіледі, фосфатты буферлі тұзды ерітіндімен (PBS), pH 7,3 жуылды және 30 минут бойы 3% сиыр сарысуы альбуминімен алдын ала инкубацияланды. pKi-67 экспрессиясы 45 минут бойы бөлме температурасында Ki-S5 моноклональды антидененің (Dako, Glostrup, Дания) 1:50 разбавкасымен емдеу арқылы анықталды. PBS-пен жуғаннан кейін іздер фторесцеин изотиоцианатының конъюгацияланған тышқанға қарсы F (ab) 1:40 разрядымен инкубацияланды.2 фрагменттері (Dako), қайтадан PBS -пен жуылады және Mowiol ортасына енгізіледі (Calbiochem, San Diego, CA). Теріс бақылау үлгілері үшін бастапқы антидененің орнына PBS қолданылды. Фотосуреттер (фазалық контраст және флуоресценция) Leica DMRBE микроскопымен (PLN Fluotar 40/0.75 объективі) бірге Kodak DC290 камерасының көмегімен (іріктеу тығыздығы, микрометрге 8,9 пиксель) қолданылды. Файлдар Joint Photographic Expert Group (JPEG) форматында сақталды.

Морфометрия

Giemsa боялған сенсорлық іздерді морфометриялық талдау үшін суреттің ажыратымдылығы екі есе азайды, ал контраст Adobe Photoshop Version 5.0 LE (Adobe Systems, San Jose, CA) құрамына кіретін 'Unsharp Mask' сүзгісі көмегімен жақсартылды. Фазалық контрастты кескіндердің ажыратымдылығы төмендеген жоқ. Суреттер 22 дюймдік мониторда (ажыратымдылығы, 1600 пиксель × 1200 пиксель) 300% масштабта қаралды, және анық көрінетін цитоплазмасы бар барлық зақымдалмаған жасушалардың ядролық контурлары Adobe Photoshop бағдарламасындағы «Қарындаш» құралының көмегімен суреттелді. Фазалық контрастты суреттерде зақымдалмаған жасушаларды таңдау қиын болды, өйткені цитоплазма әдетте бұл суреттерде көрінбейді, осылайша біз барлық оқшауланған ядроларды сипаттадық. Ядролық аймақ Scion Image Beta бағдарламалық жасақтамасының көмегімен өлшенді (4.0.2 Scion Corporation, Frederick, MD). Суреттер сұр деңгейлер бойынша Scion Image Beta -дағы «Density Slice» командасы бойынша сегменттелген, ал ядролық аймақ «Автоматты түрде белгілеу» құралының көмегімен бағаланды. Статистикалық талдау үшін Statistica бағдарламалық қамтамасыз ету пакеті (Version 6.0 StatSoft Inc., Tulsa, OK) қолданылды.


Колоректальды қатерлі ісіктің континуумын болжауға арналған қалыпты емес жасушалық суреттердің текстуралық талдауы

Аномальды жасуша (ABC) - бұл тіндердің айқын гетерогенді аймағы және оны үш негізгі түрге бөлуге болады: қатерсіз гиперплазия (BH), карцинома (Ca) және интраэпителиалды неоплазия (IN) немесе прекурсорлы ісік зақымдануы. Бұл зерттеудің мақсаты 3D-текстуралық әдісті қолдану арқылы тоқ ішек ісігінің континуумын анықтау және сипаттау болып табылады. ABC алдын ала өңдеу кезеңінде белсенді контурлық сегменттеу техникасын қолдану арқылы сегменттелді. Жасуша типтері сұр деңгейлі коккуренттік матрицалардан (GLCM) алынған текстуралық ерекшеліктерге негізделген талданды. Текстураның маңызды ерекшеліктері ABC дисперсиялық анализі (ANOVA) көмегімен таңдалды

. Таңдалған мүмкіндіктер маңызды мүмкіндіктерден жинақталған дисперсияның 97%-ын құрайтын негізгі құрамдас талдау (PCA) арқылы азайтылды. Модельдеу нәтижелері GLCM -ден алынған 624 текстуралық ерекшеліктерінің ANOVA -ға негізделген 158 маңызды ерекшеліктерін анықтады. Маңызды текстура ерекшеліктеріне негізделген ABC дискриминациясының өнімділік көрсеткіштері 92,59% жіктеу дәлдігін, 100% сезімталдықты және 94,44% ерекшелікті көрсетті. Бұл нәтижелер GLCM -ден алынған текстуралық ерекшеліктер ABC түрлерін ажыратуға жеткілікті сезімтал екенін көрсетеді және колоректальды қатерлі ісіктің жасушалық сипаттамаларын болжауға мүмкіндік береді.

1. Кіріспе

Колоректальды қатерлі ісік (CRC) адамдарға әсер ететін қатерлі ісіктердің бірі болып табылады [1]. Ол қалыпты емес және бақыланбайтын жасушалық пролиферациямен сипатталады [2]. Науқастардың 70% -ында емдік ниетпен бастапқы ісікті хирургиялық резекциялауға болады. Өкінішке орай, бастапқы ісіктің хирургиялық резекциясынан өткен КҚК пациенттерінің 30% дейін 3 жыл ішінде және өлімге дейінгі орташа уақыт 12 айды құрайтын кейінгі рецидивке ұшырайды [3, 4]. Колоректальды жасушалар CRC арқылы аномальды және гетерогенді пішіндерге айналады [5, 6]. Бұл тұрғыда гетерогенділік - бұл жасуша тығыздығы жоғары аймақтар ретінде көрінетін колоректальды қатерлі ісіктің айқын белгісі. Гетерогенділікті бағалау әрекеттері Haralick функциялары сияқты көптеген функцияларды қолдану арқылы жасалды [6]. Тағы бір мысал компьютерлік томографияның суреттерін қолдана отырып, аман қалуды болжау үшін бауыр тінінің құрылымы мен оның энтропиясы мен біркелкілігі арасындағы байланысты қолданды [7]. Алайда шектеулі зерттеулер CRC континуумын қатерсізден қатерлі жасушаларға дейін бағалау үшін құрылымдық ерекшеліктерді қолданды.

Сонымен қатар, классикалық оптикалық микроскопиялық жүйелер кескінді өңдеудің озық әдістерін қолдану арқылы ABC анықтай алады [8]. Диагноз қою және терапияны ерте бастау үшін пішіні немесе гетерогенділігі бойынша ABC ерте анықтау үлкен қызығушылық тудырады [6]. Демек, процесті автоматтандыру микроскопиялық биопсияны тезірек және дәл оқуға мүмкіндік береді, тіпті үлгілерді BH, IN немесе Ca ретінде жіктеуге мүмкіндік береді [6, 9, 10]. Осы контекстте көптеген зерттеулер осындай биопсияларды автоматтандырылған оқу процедураларын әзірлеуді қарастырды [5, 11-14]. Осы процедуралармен зерттелген биопсияларды оптикалық микроскопиялық жүйенің көмегімен автоматтандырылған оқуға дайындауға және алдын ала өңдеуге болады. Содан кейін сегменттеу әдістерін қолдана отырып, ABC-ті қоршаған ортадан талдауға болады [15]. Осы контекстте жоғары ажыратымдылықтағы сұр шкаладағы кескіндерді қамтамасыз ететін микроскопиялық жүйеден мультиспектрлі биобейнелерді өңдеу үшін тиісті сегменттеу әдісі мұқият орнатылуы керек. Сонымен қатар, суреттегі ABC сәйкестендіруде әрбір ABC түріне сәйкес келетін кейбір сипаттамалық белгілер ескерілуі керек [6]. ABC -тен текстуралық ерекшеліктерді алу әр ABC түрін сипаттайтын перспективалы әдіс болуы мүмкін. Содан кейін, ABC типтері арасындағы кемсітушілікті шешім ағашы әдісі сияқты жіктеуіш тәсілдердің бірін қолдану арқылы жасауға болады [16]. АВС әр түрінің текстурасы мен құрылымын талдау қатерлі жасушаларды дәл диагностикалауға мүмкіндік береді, себебі олар әр түрлі үлгілер мен текстураларда құрылымдалған.

Бұл жұмыста біз GLCM-дан текстуралық мүмкіндіктерді алу арқылы ABC типтерінің әрқайсысын талдауды ұсынамыз. Текстура аймақтағы реңктің өзгергіштігін немесе көршілес пиксельдердің сұр деңгейлері арасындағы кеңістіктік қатынастарды білдіреді. Үш өлшемді (3D) текстуралық талдаулар 3D кеңістігіндегі пиксель жұптарының өзгермелілігін анықтау үшін екі фаза мен көп офсеттік пикселдерді пайдалану арқылы қосымша ақпаратты ұсынады [16, 17]. Морфологияны бағалау үшін оптикалық және медициналық бейнелерге коокурренция матрицасына негізделген суретті талдаудың статистикалық әдісі қолданылады [5, 11, 18, 19]. Осылайша GLCM-дан алынған текстура мүмкіндіктері кескіндегі текстураны және жергілікті вариацияны сипаттайды. Жіктеу үшін біз ABC түрлерін анықтау үшін он екі негізгі мүмкіндікті таңдадық, сонымен бірге артық немесе шатастыратындарын алып тастадық, осылайша ұсынылған мүмкіндіктерге негізделген анықтау әдісінің өнімділігін жақсартамыз.

Қысқаша айтқанда, бұл зерттеудің мақсаты - CRC зақымдануларының континуумын жіктейтін оптикалық микроскопиялық суреттерден сандық текстураның мультиспектралды кескін ерекшеліктерін шығару. Бұл зерттеудің жаңалығы CRC автоматтандырылған континуумды болжау бойынша алғашқы тренинг болды. Бұл текстуралық мүмкіндіктерді әртүрлі ABC түрлерімен байланыстыратын радиомикалық карталардың негізі болады.

Бұл жұмыстың қалған бөлігі келесі түрде ұйымдастырылады. 2 -бөлімде өнімділік көрсеткіштерімен 3D GLCM -ден текстуралық мүмкіндіктерді алу сипатталған. 3 және 4 бөлімдер эксперименттік нәтижелер мен талқылауларды көрсетеді. Соңында, 5-бөлім жұмысты аяқтайды.

2. Материалдар мен әдістер

Біз 27 колоректальды қатерлі ісікпен ауыратын науқастардың 3D мультиспектралды цифрлық тұтас слайд суреттерін (WSI) арнайы талдадық. АВС -тың әр түрлі спектрлі кеңістіктік гетерогенділігінің мысалы оның гистограмма бойынша таралуынан көрінеді. Алдын ала талдаудан BH, IN және Ca дифференциацияланатын белгілі бір сипаттамалар мен ерекшеліктер бар екені анық (1 -сурет).


Талқылау

Біз CNN көмегімен терең үйренуге негізделген модельдерді қолдану арқылы динамикалық КТ кезінде бауыр массасының әртүрлі түрлерін ажыратуға болатынын зерттедік. Біз үшфазалық және модельдік арт/дел үлгілерін бауыр массаларын бес санатқа жіктеу үшін пайдалы екенін анықтадық және медианалық дәлдікке сәйкесінше 0,84 (диапазон, 0,82-0,90) және 0,81 (диапазон, 0,75-0,86) көрсетті. Үшфазалық модельді қолдану қатерлі мен С санатына жататын қатерлі массалар арасында жоғары дискриминацияға мүмкіндік берді, алуда қабылдағыштың жұмыс сипаттамасының қисығы астындағы ауданы 0,92 (диапазон, 0,89-0,93).

Кейбір зерттеулер (17–20) бауырдың массасын дифференциациялау үшін қарапайым машиналық оқытуды қолданды, олар қызығушылық тудыратын аймақтарды массаларға орналастыру және диагностикалық көрсеткіштері сияқты ерекшеліктерді алу, олар 0.817-1.000 дәлдікпен жақсы диагностикалық көрсеткіштерді көрсетті. Алайда олардың модельдері анықталмаған массаларды немесе масса тәрізді зақымдарды ескермеді. Диспластикалық түйіндер кешіктірілген фазада изо әлсіреу немесе төмен әлсіреуі бар гиповаскулярлық зақымданулар түрінде көрінуі мүмкін (21,22), бірақ ерте ГКК да мұндай белгілерді көрсете алады (22,23). Сондықтан КТ кескіндеріндегі бұл массалар модельдерге қосылуы керек, біз оларды осы санаттағы С массасы ретінде енгіздік. Артериялық фазада ғана көрінетін түйін тәрізді артериялық фазаның жоғарылауын динамикалық КТ суреттерінде де байқауға болады (24). Түйін тәрізді артериялық фазаның жоғарылауы перфузияның өзгеруін немесе аздаған қатерлі емес массаны білдіреді. Дегенмен, осы зерттеуде С санатына жатқызылған мұндай зақымданулар да модельдерге қосылуы керек, өйткені кейбір HCC бірдей бейнелеу нәтижелерімен көрінуі мүмкін (24).

А санаты мен гипероваскулярлық зақымданулардың дифференциациясына қатысты дәлдік осы зерттеуде үлгілік артериямен салыстырмалы түрде төмен болды. Бұл нәтиже логикалық болып табылады, өйткені классикалық HCC-ны түйін тәрізді артериялық фазаның жоғарылауынан ажырату кешіктірілген фаза кезінде әлсіреу туралы ақпаратты қажет етеді. Кешіктірілген модельді қолдану арқылы А категориясы мен гиповаскулярлық зақымдануларды ажырату дәлдігі де салыстырмалы түрде төмен болды. Бұл нәтиже де қисынды, себебі классикалық ГКК мен гиповаскулярлық зақымданулардың кемсітілуі артериялық фазада алынуы мүмкін қан тамырлары туралы ақпаратты қажет етеді. Үш фазалы модель және арт/del моделі осы анықталмаған зақымданулар мен классикалық HCC-терді орташа және жоғары сезімталдығы бар C санаты және А санаты ретінде жіктеді және үш фазалы үлгідегі жалпы дәлдік артериалды модельге және кейінге қалдырылған модельге қарағанда айтарлықтай жоғары болды.

Біздің модель рентгенологтардан тек ісіктерге назар аударуды, суреттерді түсіруді және CNN -ге суретті ұсынуды талап етеді. Біздің модель сонымен қатар бауырдың массасын дифференциациялаудың әдеттегі машиналық әдістерін қолданған алдыңғы зерттеулерден (17-20) ерекшеленеді, өйткені ол ісіктердің шекараларын қадағалайтын күрделі пішінді аймақтарды немесе шеңбердің немесе эллиптикалық қызығушылық аймақтарын қажет етпейді. ісіктер Біздің модель бауыр массасының айналасында не бейнеленгеніне қарамастан жоғары өнімділікті көрсетті. Бұған бауырдың әртүрлі бөліктерінде бірнеше бауыр массасымен жаттығу арқылы қол жеткізуге болады.

Кескін түсіру процесі субъективті болуы мүмкін, бірақ біздің модель бұл үдеріске берік болу үшін жасалған, әр түрлі дәрежедегі үлкейту және параллель ығысу арқылы толықтырылған кестедегі әр түрлі позициялары бар бірнеше суреттермен жаттығу.

CNN сияқты күрделі модельдер оқу кезеңіне қосылмаған деректер үшін оңтайлы емес өнімділікке әкелетін шамадан тыс орнату мәселесін бастан кешіретіні белгілі. Осыған байланысты, оқу үдерісіне енгізілмеген тәуелсіз тестілік деректер жинағын дайындау модельдің өнімділігін лайықты бағалау үшін қажет (7,25). Басқа әдіс-бұл барлық деректер жиынтығын дайындық деректеріне және тестілік деректерге бөлу және әр түрлі жаттығулар мен сынақтармен есептеулерді қайталау (мысалы, K-еселенген кросс-валидация және біржолғы айқас-валидация). қолжетімді деректер жиынының саны шектеулі (25). Біз модельдің өнімділігін суреттер жиынтығынан 3 жылдан кейін сканерленген тәуелсіз тесттік кескін жиындарын дайындау арқылы бұрынғы әдіс негізінде бағаладық.

Графикалық өңдеу қондырғысын қолдану модельдерді 10-20 есе жылдам оқытуға мүмкіндік беретіні белгілі, бұл терең оқытудың табысты болуының бір себебі болып табылады (7). Бұл зерттеуде біз графикалық өңдеу блогын қолдандық және әрбір CNN жаттығу сессиясы шамамен 10–20 минутты алды, дегенмен біз өткен уақытты дәл өлшемедік. Модель құрылғаннан кейін оны жаңа зақымдануға қолдану күрделі есептеулерді қажет етпейді. Бұл зерттеуде графикалық өңдеу қондырғысыз және әр сеанста 100 кескін жиынтығын қолдана отырып, тестті орындауға қажетті уақыт шамамен 10 секундты құрады.

Бұл зерттеуге қатысты бірнеше шектеулерді мойындау керек. Біріншіден, В санатындағы массаны диагностикалау сезімталдығы басқа санаттарға қарағанда жақсы болмады.Қатерлі аурулардың болуы немесе алдыңғы КТ зерттеулерімен салыстыруға мүмкіндік беретін функцияны қосу сияқты фондық клиникалық деректерді қосу В санатындағы массалар үшін жақсы диагностикалық өнімділікті алу үшін үлгілерді құру кезінде пайдалы болар еді. Біз бұл зерттеуді бір секциялы JPEG кескіндері арқылы жүргіздік және кескіндердің өлшемін 70 × 70 пиксельге дейін өзгерттік. Мұндай кескінді өңдеу ақпараттың жоғалуына әкелуі мүмкін және В санатындағы массаның салыстырмалы төмен сезімталдығына әкелуі мүмкін. Біз кеңейтілген JPEG кескіндерін қолдандық, себебі оларды қарау құралының суретке түсіру функциясын қолдану арқылы алу оңай болды. Медицинадағы цифрлық бейнелеу және коммуникация кескіндерін JPEG пішіміне түрлендіру ақпараттың жоғалуына әкеледі, дегенмен бұл өте аз болады деп ойлаймыз. Өйткені осы зерттеуде пайдаланылған терезе параметрлері (жақсартылмаған КТ үшін терезе деңгейі 40 HU және ені 250 HU және терезе деңгейі 45 HU және контрастты күшейтілген КТ үшін терезе ені 290 HU) іш қуысы тіндерінің көпшілігін бағалауға мүмкіндік береді. Біз бір өлшемді өлшемді (70 × 70 пиксель) кескін жиынтығын қолдандық, себебі олай болмаған жағдайда есептік жүктеме тым үлкен болар еді. Салыстырмалы түрде төмен іріктеу мөлшері В санаты үшін төмен сезімталдықтың себептерінің бірі болуы мүмкін. Осылайша, осы мәселелерді қарастыратын болашақ зерттеу қажет. Екіншіден, біз диагностикалау қиын бауыр массаларына арналған модельдерді немесе егжей -тегжейлі гистологиялық кіші типтерді болжайтын модельдерді құруды көздеген жоқпыз. CNN үлгісімен терең оқыту күнделікті клиникалық тәжірибеде кездесетін көптеген бауыр массаларын санаттау үшін тиімді деп табылғандықтан, біз болашақта осы тақырыптарға бағытталған зерттеулер жүргізілетінін болжаймыз. Үшіншіден, гистологиялық бағалау бауырдың барлық массалары үшін міндетті түрде алынбады. Дегенмен, бауырдың қатерсіз массаларының көпшілігінде кескін нәтижелерімен диагноз қойылғандықтан және хирургиялық араласуды қамтымайтындықтан, сондай-ақ кейбір классикалық HCC-терге кескін нәтижелерімен диагноз қойылғандықтан және радиожиілік абляциямен немесе трансартериалды хемоэмболизациямен емделгендіктен, барлық зақымдар үшін гистологиялық бағалауды алу қиын болуы мүмкін.

Қорытындылай келе, модельдерді алу үшін 55 536 кескін жиынтығын (52 коэффициентке ұлғайтылған 1068 сурет жиынтығы) қолданған бұл алдын ала зерттеу бауыр массаларын бес санатқа жіктеуді көрсетті (классикалық HCC, классикалық және ерте HCC -ден басқа қатерлі ісіктер, анықталмаған) массаларды (соның ішінде ерте HCC және диспластикалық түйіндерді) немесе сирек кездесетін қатерсіз массаларды, гемангиомаларды және кисталарды динамикалық контрастты КТ кескіндерінде CNN көмегімен терең оқыту әдісін қолдану арқылы жоғары дәлдікпен орындауға болады. CNN моделі күнделікті клиникалық тәжірибеде кездесетін бауыр массаларының көпшілігін диагностикалау үшін пайдалы болуы мүмкін, алайда бауырдың салыстырмалы түрде сирек кездесетін қатерлі диагнозы үшін тиісті көрсеткіштерге жету үшін одан әрі жетілдіру қажет болады.

Білімдегі жетістіктер

■ Бауыр массаларының дифференциалды диагностикасы (келесі бес санатқа жіктеледі: А санаты, классикалық гепатоцеллюлярлық карцинома [HCCs] B санаты, классикалық және ерте HCCs C санатынан басқа бауырдың қатерлі ісіктері, анықталмаған массалар немесе масса тәрізді зақымданулар [ерте ГКК және диспластикалық түйіндер] және гемангиомалар мен кисталардан басқа сирек кездесетін қатерсіз бауыр массалары, гемангиомалар мен Е санаттары, кисталар) динамикалық контрастты агентпен күшейтілген КТ кезінде (контрастсыз агент - күшейтілген, артериялық және кешіктірілген фазалық кескіндерді пайдалану арқылы) конвульсиялық нейрондық желімен терең оқытуды қолдану арқылы мүмкін болады.

■ Модельдерді қолдану, сәйкесінше А, В, С, Д және Е санаттары үшін 0,71, 0,33, 0,94, 0,90 және 1,00 сезімталдығы бар және 0,84 жалпы дәлдікпен бауыр массаларының бес категорияға жіктелуіне мүмкіндік берді. .

■ Модельдерді қолдану A – B санаттарын C – E -ден ажыратуға мүмкіндік берді, бұл ретте қабылдағыштың жұмыс сипаттамасы қисығының астындағы ауданы 0,92.


II қисық сызыққа негізделген медициналық имиджді жақсарту бойынша кейс -стади

Корреспонденция: [*] Сәйкес мекенжайы: Гуо Ци, Харбин технологиялық институтының математика бөлімі, Харбин 150001, Қытай. Электрондық пошта: [электрондық пошта   қорғалған].

Аннотация: Бұл мақалада II қисық сызыққа негізделген медициналық кескінді жақсарту әдісі ұсынылған. Медициналық кескіннің толқындық ыдырауынан кейін біз егжей-тегжейлі ақпарат алу үшін жоғары жиілікті қосалқы кескіндерді бөлшектеуді жалғастырамыз. Біз сондай-ақ қалыпты қисық сызықты түрлендіруге қарағанда артықшылығы бар жиек ақпаратын алу үшін II қисық сызықты пайдаланып, төменгі жиілікті ішкі кескіндердің жиегін жақсарту үшін сәйкес салмақ қосу функциясын әзірледік. Бұл әдіс толқындық теорияға негізделген қазіргі медициналық кескінді жақсарту алгоритмінің кемшіліктерін жеңді, мысалы, (1) қазіргі әдістердің көпшілігі егжей-тегжейлі ақпарат алу үшін тек төмен жиілікті ішкі кескіндерді ыдыратады (2) олар жақсы шығара алмайды ісіктер немесе медициналық кескіндердің шеткі ақпаратының басқа да үлкен аумақтары. Модельдеу эксперименттерінде біз Хэйлунцзян провинциясының ісік ауруханасы ұсынған сүт безінің маммографиялық рентгендік суреттерін жақсарттық және біздің алгоритмімізді кескінді жақсартудың бірнеше дәстүрлі әдістерімен салыстырдық. Нәтижелер II қисық сызыққа негізделген жақсарту алгоритміміз арқылы кескіннің текстурасы мен жиектерін анық көрсетуге болатындығын және кескіндегі кальцинациялар тәуелсіз екенін көрсетеді, сонымен бірге бұл әдіс кескіндерді жақсарту кезінде артықшылыққа ие. шу қосылды.

Түйін сөздер: Кескінді жақсарту, жоғары жиілікті ішкі кескінді ыдырау, толқындық түрлендіру, салмақты арттыру, II қисық түрлендіру


Нәтижелер

Репликативті қартаю кезіндегі қартаю фенотипін алудың уақыт реттілігі

Жалпы жасушалық қартаюдың фенотиптерінің тәртібін түсіну үшін алдымен репликативті қартаю кезіндегі ең тән қартаю белгісі SA-β-гал белсенділігін бақыладық. Алғашқы адам диплоидты фибробласттары (HDF) бөліну қабілетін жоғалтқанша үздіксіз субкультурацияланды (Ким т.б., 2003). Бұл процесте материалдар мен әдістерде сипатталғандай екі еселенген уақыттар (DT, жасуша популяциясының жасушалық популяциясының екі еселенуінің ұзақтығы) және популяцияның екі еселенетін сандары (PD, жасушалардың бірізділікпен екі еселенуі арқылы алынған сандар) жазылды. жасушалар қартаю процесінің әртүрлі кезеңдерінде SA-β-gal талдауына ұшырады. Жасушалық DT олардың PD 40 (PD40) болғанша 2 күнде қалды, содан кейін ол біртіндеп өсті (1А-сурет), бұл жасуша популяциясының ішкі жиынтығы PD40-тан кейін бөліну қабілетін жоғалта бастайтынын білдіреді. Біріншілік жасушалар репликативті қартаюға өтетіндіктен, жасуша популяциясы біртекті емес екенін, бірте -бірте жоғалатын жасушаларды жоғалтып, бірте -бірте қарт жасушаларға ие болатынын еске түсіру керек.

7 DT жасушалары (DT7 жасушалары) SA-β-гал белсенділігінің төмен деңгейін дамытты, содан кейін SA-β-гал-позитивті жасушалардың популяциясы біртіндеп өсті (1В-сурет және S1A-сурет, Қолдау ақпараты). Сонымен қатар, DT10 жасушаларында SA-β-галдың жоғары белсенділігі байқалды, бірақ популяцияның шағын тобында. Бір қызығы, DT20 жасушаларының популяциясында SA-β-гал белсенділігінің жоғары деңгейінде тағы бір елеулі және күрт өсу болды, нәтижесінде SA-β-гал жалпы белсенділігі едәуір өсті. Алайда SA-β-гал белсенділігінің төмен деңгейі сәл төмендеді. Бұл нәтижелер төмен SA-β-gal-оң жасушалардың жоғары SA-β-gal жасушаларына айналуы мүмкін екенін көрсетеді. Алайда жоғары SA-β-гал жасушаларының тікелей пайда болу мүмкіндігін елемеуге болмайды. Біздің талдауымыз DT2-ден DT3-ке және DT5-ке дейін жасуша өсуінің ерте кешігуі SA-β-gal белсенділігімен тікелей байланысты емес екенін және өсу үшін DT2-ден DT30-ға дейінгі жасуша өсуінің тұрақты кешігуі үшін тәуелсіз молекулалық өзгерістер қажет болуы мүмкін екенін білдіреді. SA-β-gal белсенділігінің және сәйкесінше төменнен жоғары SA-β-gal белсенділігінің ауысуы үшін.

Содан кейін біз жасуша түйіршігі, жасуша өлшемі және жасуша массасының жоғарылауы сияқты жасушалық қартаюдың басқа фенотиптерін бағаладық. HDF-тің бүйірлік шашырауын (жасуша мөлшерінің көрсеткіші) және алға шашырауын (жасушалық түйіршіктіліктің көрсеткіші) талдағанда, біз екі фенотиптің де DT3-тен біртіндеп артып, DT12 (жасуша түйіршігі) және DT10-да максималды деңгейлеріне жеткенін анықтадық. ұяшық өлшемі) (1С-сурет). Күтпеген жерден жасуша ауданы DT5 -тен өсті (2А -сурет), ал жасушаішілік мРНҚ мен ақуыздың жалпы деңгейі DT3 -тен өсті, бұл бақылаулар жасуша көлемінің ұлғаюына сәйкес келеді (2В және 2С). Бұл нәтижелер цитоскелеттік және жасушалық адгезия белсенділігімен байланысты болуы мүмкін жасушалық тегістеуді білдіреді (Хван т.б., 2009), жасуша көлемінің ұлғаюынан кеш дамиды.

Реактивті оттегі түрлері көбінесе жасушалық сигналдық хабаршылар, сондай-ақ жасушаны зақымдайтын агенттер ретінде көп қырлы рөлдерді атқаратын қартаю фенотиптерінің негізгі модуляторлары болып саналады. Біз ROS өндірісінің уақыт курсын DCF-DA флуоресцентті бояумен бағаладық, ол негізінен сутегі асқын тотығын және басқа қартаю фенотиптерін алудың уақытша байланысын өлшейді. Күтпеген жерден жасушаішілік ROS деңгейі DT2 -ге қарағанда жасушаларда едәуір жоғарылаған, бұл ROS деңгейі салыстырмалы түрде төмен болып қалғанымен, жасуша массасының өсуінен әлдеқайда ертерек (2D -сурет және S1B -сурет). Жасушаішілік ROS деңгейінің бастапқы шамалы ұлғаюы жасуша көлемінің ұлғаюына да, DT2 -ден DT3 -ке дейінгі жасушалық цикл прогрессиясының аздап кешігуіне де байланысты болуы мүмкін. Бұл гипотезаны ROS ұрпағы жасушалық циклдің жалпы прогрессиясын кешіктіретіні туралы бұрынғы бақылауымыз растайды (Byun т.б., 2008). Жасушаішілік ROS деңгейінің тағы бір күрт артуы DT7-ден тыс жасушаларда байқалды (2D-сурет), бұл жасушаішілік ROS жоғары деңгейлері мен SA-β-gal белсенділігінің артуы арасындағы байланысты білдіреді. Біз 2Е-суретте қартаю фенотиптерін алу тәртібін қорытындылаймыз.

Репликативті қартаю кезінде геннің экспрессиясы өзгереді

Репликативті қартаюдың молекулалық фонын зерттеу үшін біз жасушалардың гендік экспрессиясын профильдеуді жүргіздік (3А-сурет). Алдымен біз ең айнымалы гендердің бақылаусыз кластерленуін жүргіздік (стандартты ауытқу & gt 0,2, n = 6,845). Гендік экспрессия профилі қартаю процесінің белгілі бір кезеңдерінде айқын көрінетін төрт түрлі модульді (G1, G2, G3 және G4) ашты (2А -сурет). G1 модуліне DT2 жасушаларында жоғары экспрессияланған гендер кіреді (n = 862), ал G2 модулі DT2 -де көрсетілген гендерді қамтыды

DT7 жасушалары (n = 2,012). G3 модулі DT3 кезінде жоғары өрнек көрсетті

DT20 (n = 510). Соңында, G4 модулі DT10-дан DT30-ға дейін көрсетілген (n = 2,440 S1 кестесі, Қосымша ақпарат).

Әрбір модульдің функционалдық сипаттамалары гендік онтологияны талдау арқылы бағаланды (кесте 1). G1 модулі жасушалық циклге байланысты гендер үшін байытылды, бұл осы кезеңде жасушалардың белсенді пролиферациясын көрсетеді. Бұл белсенділік DT3 кезінде басылды, бұл осы уақытта қартайған өсудің тоқтауы мүмкін екенін көрсетеді. G2 модулі метаболикалық процеске байланысты гендер мен тРНҚ/РНҚ өңдеуді қамтыды, ал G3 модулі қорғаныс реакциясы және антигенді өңдеу сияқты қабыну және иммундық функциялардың экспрессиясымен байланысты болды. G4 модулі жасушаның өлуіне және жасушаның өсуін реттеуге байланысты гендерге байытылған.

  • Әрбір кластердегі кластерленген гендік функциялардың жоғарғы 3-і және байытылған гендік онтология (GO) терминдерінің 3-еуі көрсетілді. Биологиялық процестерге арналған GO идентификаторлары көрсетілді.

Біз репликативті қартаю процесін төрт фазаға жіктедік (3А-суреттің төменгі жағында). Бастапқы кезең G1 және G2 модульдерінің біріккен әрекетімен реттеледі, нәтижесінде белсенді пролиферация мен белсенді метаболизм. G2 және G3 модульдерімен басқарылатын орта фаза жасуша пролиферациясының белсенділігін басуға әкеледі, бірақ белсенді метаболизм сақталады. Бұл тұжырым жасуша массасы мен мөлшерінің ұлғаюының, сондай-ақ жасуша өсуінің кешігуінің қартаю фенотиптеріне сәйкес келеді (2Е-сурет). G3 және G4 модульдері кеңейтілген кезеңде қабынуға байланысты функцияларға ықпал етеді. Соңғысы, өте жетілдірілген кезең тек G4 модулімен басқарылады.

Қартаюға байланысты секреторлы фенотип (SASP) ақуыздарын кодтайтын гендердің экспрессиясы

Ген экспрессиясының профилін талдау қабыну функцияларының G3 модулімен көрсетілгенін көрсетті. Жасушалардан бөлінетін қабынуға байланысты факторлардың қартаюда шешуші рөл атқаратыны белгілі, бұл факторлар SASP құрайды, олар фазаға тән болуы мүмкін (Фрейнд т.б., 2010 Rodier & Campisi, 2011). Біз белгілі SASP байланысты ақуыздардың гендік экспрессия профильдерін және олардың изоформаларын зерттедік (n = 162) қартаю процесінің әрбір фазасында және 55 фазалық спецификалық ген табылды (3В-сурет). IL10 және IL18 G1 модуліне енгізілді, ал IL15 G2 модулінде болды. G3 модуліне көптеген интерлейкиндер (IL1B, IL6, IL8 және IL32) және хемокин лигандтары (CLXCL 1, 2, 5, 6, 10 және 16) енгізілген. G4 модулі инсулин тәрізді өсу факторын байланыстыратын ақуыздардың (IGFBPs 2, 3, 5 және 7), интерлейкиндердің (IL1A, IL12A және IL17D) және матрицалық металлопротеиназа (MMP) гендерінің (MMP1, MMP3 және MMP12) изоформаларын қамтиды. ). Біздің деректер қартаю кезінде SASP гендерінің фазаға тәуелді экспрессия үлгісін көрсетеді.

SASP-байланысты гендердің жалпы әрекеттері олардың рецепторларының немесе олардың тежегіш ақуыздарының фазалық өрнектерімен біріктірілген әрекеттер арқылы модуляцияланады.

SASP-ге байланысты гендік экспрессияны талдау сонымен қатар SASP рецепторларының фазалық спецификалық өрнектерін көрсетті. Сондықтан біз цитокиндер мен олардың рецепторларының, сондай -ақ металлопротеиназалардың тіндік тежегіштерінің (ТИМП) біріккен әрекеттері әр фазада маңызды болды деп болжадық. Интерлейкиндер мен олардың рецепторларының ықтимал аралас әрекеттері олардың экспрессиялық профильдеріне сүйене отырып бағаланды (4А, В -сурет). Интерлейкиндер қартаю жасушаларында төрт әсерді көрсете алады: паракриндік әсердің жоғарылауы, паракриндік/автокриндік әсерлердің жоғарылауы, сезімталдықтың жоғарылауы немесе жалпы әсердің төмендеуі. Мысалы, IL1A экспрессиясы қартайған жасушаларда артады, бірақ оның рецепторының экспрессиясы төмендейді, бұл сценарий қартаю жасушаларының IL1A шығара алатынын білдіруі мүмкін, бірақ олар рецепторлардың жетіспеушілігіне байланысты оған жауап бере алмайды. Жақында жүргізілген зерттеу IL1A әдетте бөлінбейтінін, керісінше, жасушаның бетінде қалатындығын көрсетті, бұл біздің жорамалымызды қиындатады (Оржало) т.б., 2009). Дегенмен, қоршаған ортадағы сезімтал емес жасушалар шығарылған цитокиндердің негізгі нысаны бола алатыны әлі де қолайлы. Біздің сценарийлер басқа секреторлық интерлейкиндердің әрекет ету режимдеріне жақсы қолданылуы мүмкін. Біз ақуыз деңгейінде интерлейкиндер мен олардың рецепторларының экспрессиясын одан әрі тексердік. Күтілгендей, IL1R1 мен IL7R қартаю кезінде ауысқан өрнекті көрсетті (Cурет 4C). IL6 және IL8 ақуыздарының экспрессиясы қартаюдың озық фазаларында шыңына жетті (DT10 және DT14 4D -сурет). Ақуыз деңгейінде экспрессияның төмен болуына байланысты біз IL1α, IL1β және IL17 қоса басқа интерлейкиндерді анықтау үшін сол әдісті қолдана алмадық.

MMP және TIMP салыстырмалы экспрессия деңгейлерінде де жылжу байқалды. Кейбір MMP/TIMPs (MMP11, MMP2, MMP20, MMP27 және TIMP1) бастапқы және орта кезеңдерде көрсетілді, ал басқалары (MMP1, MMP12, MMP3, TIMP1, TIMP2 және TIMP3) озық және өте жетілдірілген фазаларда көрсетілді. қартаю кезеңі (S2 -сурет). MMPs және TIMPs ақуыз экспрессия деңгейлері Western blot әдісімен расталды (4C-сурет), сонымен қатар зимография айқын изоформалық ығысуды анықтады: 1 және 2 жолақтар өсті, ал 3 жолақ төмендеді (4E-сурет).

Біз SASP байланысты гендердің экспрессиялық ауысуын одан әрі тексердік in vivo тері маталарын жасынан егде жастағы Sprague-Dawley егеуқұйрықтарына қолдану. Қартаю процесінде SASP байланысты гендердің экспрессиялық деңгейлері ұқсас ығысу үлгілерін анықтады (5А, В-сурет). Бірге алғанда, біздің деректер бұрынғы есеппен (Rodier & Campisi, 2011) сәйкес келетін қабыну сигналдарының, бақылаулардың қартаюға байланысты экспрессиясының егжей-тегжейлі, геномдық масштабтағы профильдерін құрайды.

Гендік экспресс профильдері жасқа байланысты аурулармен фазалық байланысты көрсетеді

Қартаюдың әр кезеңіне қатысатын реттеуші сигнал беру жолдарын анықтау үшін біз KEGG мәліметтер қорындағы канондық сигнализация жолдарының өрнегін талдадық (2 -кесте). Бір қызығы, RIG-I сияқты қабыну сигналдық жолдары (П = 7,7 × 10 −4 ) және ақылы рецепторлардың сигнализациясы (П = 2,0 × 10 −3 ) G3 модулінде байытылды (S3A,B суреті). Біздің тұжырымды растау үшін жақында жасалған есеп RIG-I, әсіресе IL6 мен IL8 (Liu) үшін қартаюға байланысты қабынудың негізгі медиаторы екенін көрсетті. т.б., 2011). Лизосомалық ақуызды кодтайтын гендердің экспрессиясы G4 модулінде байытылды (П = 1,0 × 10 −9, S3C-сурет), ол осы уақытта SA-β-галдың жоғары белсенділігіне сәйкес келуі мүмкін. P53 жолы G4 модулінде анықталды.П = 3,5 × 10 −4), жасуша өлімі туралы сигнал беруде және қартаюдың агрессивті процестерінде реттеуші рөлді ұсынады (S3D -сурет).

Санат Мерзімі Санау П-Құндылық
G1
Ауру Сүт безінің қатерлі ісігі 21 2.17.E-03
Колоректальды қатерлі ісік 15 1.09.E-02
Өкпе ісігі 13 1.44.E-02
Қуық ісігі 9 2.21.E-02
KEGG_Pathway ДНҚ репликациясы 23 3.00.E-22
Жасушалық цикл 33 1.20.E-17
Базаны алып тастауды жөндеу 15 3.10.E-11
Сәйкес келмейтін жөндеу 12 4.20.E-10
G2
Ауру Инсулин қан қысымы, артериялық 4 2.95.E-03
Нерв түтігінің ақаулары 10 9.30.E-03
Сүт безінің қатерлі ісігі 39 1.18.E-02
Тоқ ішектің қатерлі ісігі 4 1.28.E-02
KEGG_Pathway Рибосома 46 6.10.E-24
Аминоацил-тРНҚ биосинтезі 17 4.30.E-07
Простата безінің қатерлі ісігі 19 1.60.E-03
Қатерлі ісік ауруының жолдары 48 2.80.E-03
G3
Ауру В гепатиті 13 1.01.E-08
Көп склероз 19 7.01.E-06
Бехцет ауруы 8 1.80.E-04
Дерматит, атопиялық 5 2.44.E-04
KEGG_Pathway Қатерлі ісік ауруының жолдары 21 7.60.E-04
RIG-I тәрізді рецепторлардың сигнал беру жолы 9 7.70.E-04
Вирустық миокардит 9 7.70.E-04
Ақылы тәрізді рецепторлық сигнал беру жолы 10 2.00.E-03
G4
Ауру Таңдайы жарылған ерін 11 2.96.E-03
Қуық ісігі 23 7.98.E-03
Инсульт, ишемиялық 15 1.25.E-02
Гипертониялық ауру 35 2.01.E-02
Хантингтон ауруы 6 2.92.E-02
Альцгеймер ауруы 42 4.56.E-02
KEGG_Pathway Лизосома 42 1.10.E-09
p53 сигнал беру жолы 21 3.50.E-04
Фокальды адгезия 45 4.10.E-04
Helicobacter pylori инфекциясындағы эпителий жасушаларының сигнализациясы 20 9.80.E-04
Фосфатидилинозит сигналдық жүйесі 21 1.10.E-03
Ұсақ жасушалы өкпе рагы 22 2.50.E-03
Дилатирленген кардиомиопатия 22 7.90.E-03

Ақырында, біз G1-G4 модульдерінің жасқа байланысты аурулармен мүмкін ассоциациясын бағаладық (2-кесте), қартайған жасушалардың ауруларға ықтимал үлесін зерттеу үшін. G1 модулі қатерлі ісік ауруымен, ал G2 модулі инсулинмен байланысты аурумен және жүйке түтігі ақауларымен байланысты болды. G3 модулі қабыну ауруларымен, ал G4 модулі жүрек -қан тамырлары ауруларымен және нейродегенеративті аурулармен байланысты болды. Модульдік гендердің канондық жолдармен және жасқа байланысты аурулармен потенциалды байланысы 5С-суретте жинақталған. Бұл бақылаулар жиынтығында организмнің қартаю процесінде алынған қартаю жасушаларының гендік модульдерінің кезеңдік спецификалық көрінісі жасқа байланысты аурулардың дамуына ықпал етуі мүмкін екенін көрсетеді.


ТАЛҚЫЛАУ

Бұл зерттеудің мақсаты жетілдірілген атеросклеротикалық бляшкалардағы ақаулы қабынуды емдеуге бағытталған және осылайша бляшка прогрессиясын басу болды. Осы мақсатта біз атеросклеротикалық бляшкаларға арнайы Col IV-ге бағытталған NP түрінде қабынуды жою медиаторын, Ac2-26 енгіздік. Біз бляшкалы талшықты қақпақшаның қалыңдауын, зақымданған супероксидті басуды және BCA зақымдалуында тақта некрозының төмендеуін көрсеттік. Бұл жақсартулардың әрқайсысы қабынудың жақсы шешілуіне сәйкес келеді.

Алдыңғы зерттеулер атеросклероздың тінтуір үлгілерінде прорезолициялық цитокин, IL-10 шамадан тыс экспрессиялау үшін әртүрлі генетикалық манипуляцияларды қолданды. Осындай зерттеулердің бірінде Ldlr -/-тышқандар ИЛ-10 трансгенді тышқандарының сүйек кемігімен трансплантацияланды, ал бұл химерлік тышқандарда аорта тамырларының тақта түзілуінің күрделілігі WT бақылау зақымдалуымен салыстырғанда төмендеді.Ldlr -/ - тышқандар (34). Бұл перспективалы нәтижелерге қарамастан, бүкіл организмнің генетикалық манипуляциясы адамдар үшін емдік нұсқа емес, және атеросклероз үшін цитокиндерді қолдану терапевтік тәсілге бейімделуі керек еді. Бұл зерттеудегі Col IV – Ac2-26 NPs көрсеткіштердің жоғарылауына әкелді Il10 Зақымданулардағы мРНҚ, оның пайдасы ішінара IL-10 делдалдық болуы мүмкін екенін көрсетеді. Ac2-26 FPR2/ALX рецепторына бағытталған және мұндай лигандтардың негізгі атрибуты олардың иесінің қорғанысын бұзбай, шамадан тыс қабынуды әлсіретуі болып табылады.3). Бұл өте маңызды, себебі қабыну цитокиндеріне бағытталған терапия көбінесе патогенді микроорганизмдерден қорғайды, әсіресе олар ұзақ уақыт қолданылғанда (8). Осылайша, резолюцияны жақсартатын терапевтикалық препараттар анти-TNFα (ісік некрозының факторы-α) сияқты қазіргі уақытта қолда бар қабынуға қарсы препараттарға қарағанда жақсырақ пайда/қауіп қатынасына ие болуы мүмкін.8).

Осы зерттеуден туындайтын сұрақтардың негізгі жиынтығы Ac2-26 және FPR2/ALX сигнализациясының қорғаныс әсерлерінің негізінде жатқан молекулалық және жасушалық механизмдерге қатысты. Мысалы, талшықты қақпақ қалыңдығының ұлғаюы зақымданған коллагеназа белсенділігінің төмендеуімен және Col3a1 өрнек, бірақ талшықты қақпақты қайта құрудағы бұл процестердің механизмі мен маңызы әлі де анықталуы керек. Коллаген синтезіне қатысты, А1 анексині тікелей ШМК -ке әсер етуі мүмкін (35). Дегенмен, нәтижелер Fpr2 -/-BMT зерттеуі Ac2-26 бляшкалардың тұрақталуына ықпал ететін профибротикалық медиатор болып табылатын макрофагтарды алдымен ингибирлеу арқылы зақымдалған SMCs коллаген өндірісін жақсарту мүмкіндігін арттырады.36). Тағы бір сұрақ - коллагеннің жинақталуының интрациональды орналасуы алдын ала еритін медиаторлармен қалай реттеледі. Жетілдірілген бляшкалардағы люменге жақын коллаген жарылудың алдын алу үшін пайдалы болғанымен, зақымданудың басқа бөліктерінде коллагеннің жиналуы қан тамырларының қаттылығының нашарлауына ықпал етуі мүмкін (37). Болашақ тергеу үшін механикалық сұрақтардың басқа мысалдары Ac2-26 тотығу стрессті қалай сөндіреді және бляшек некрозын қалай басады (3840). Ақырында, басқа FPR2/ALX лигандасы, RvD1, жедел перитонит кезінде лейкоциттерде лейкотриен мен липоксиннің қатынасын төмендетуі мүмкін (41, 42) егер бұл процесс зақымдалған макрофагтарда жүрсе, ол қабыну лейкоциттері ағынының төмендеу механизмін қамтамасыз етуі мүмкін, себебі лейкотриен В4 (LTB4) химиотрактантты белсенділікке ие. Сонымен қатар, егер LXA зақымдалған болса4 деңгейлері Col IV–Ac2-26 NPs арқылы жоғарылады, бұл Ac2-26 әсерін күшейтуі мүмкін, себебі LXA4 FPR2/ALX рецепторын белсендіреді және нейтрофилдерден анексин А1 мобилизациясын ынталандырады (31).

Бұл зерттеу зақымданулар ілгерілеген сайын ажыратымдылық неге ақаулы болады деген сұрақты тудырады. Бұрынғы зақымдануларда, атап айтқанда, LXA сияқты IL-10 және 12/15-липоксигеназа (LOX) арқылы алынған мамандандырылған прорезолициялық липидті медиаторлармен белсендірілген эндогендік резолюция жолдарының жұмыс істейтіні туралы дәлелдер бар.4 және RvD1 (5, 43, 44). Жетілдірілген зақымдарда осы және басқа жолдардың неліктен сәтсіздікке ұшырауының ықтимал түсіндірмелеріне ақаулы медиатор өндірісі, медиатордың катаболизмінің жоғарылауы, белсенді емес немесе қабынуға қарсы қосылыстарға айналуы және/немесе ажыратымдылық рецепторларының сигнализациясы жатады. Майы жоғары диета сонымен қатар прорезолингтік медиаторлардың синтезін 12/15-LOX арқылы басуы мүмкін.43). Сонымен қатар, әртүрлі мамандандырылған прорезолициялық липидті медиаторлар ферментативті метаболизм арқылы белсенді емес формаларға айналады (45, 46). Атеросклероз дамыған сайын FPR2/ALX рецепторларының экспрессиясы төмендейтіндіктен, осы рецепторға бағытталған терапевтикалық препараттар, мысалы, Col IV-Ac2-26 NPs, зақымдану осы өте дамыған сатыға жеткенде тиімсіз болады. Дегенмен, осы жерде көрсетілген дамыған атеросклерозы бар тышқандардағы Col IV–Ac2-26 NPs емдік әсерлері қалдық рецепторлар деңгейі, кем дегенде, лиганд жеткілікті жоғары концентрацияда ұсынылған кезде, пайдалы әсерлерді қамтамасыз ету үшін жеткілікті екенін көрсетеді. Керісінше, дамыған атеросклероз кезіндегі азайтылған FPR2/ALX экспрессивті атеросклерозда ақауларды жоюға ықпал ететін негізгі механизм болуы мүмкін эндогенді лигандтар прорезоляциялық жолдарды бекіту үшін жеткіліксіз болуы мүмкін.

Атеросклеротикалық зақымданулардың көпшілігі дамымайды және жедел коронарлық синдромдарды тудырмайды, бірақ прогреске ұшырағандар индустриалды әлемде өлімнің негізгі себебі: жүрек-қан тамырлары ауруларына жауапты. Адамдардағы клиникалық маңызды, тұрақсыз бляшкалар міндетті түрде үлкен емес, бірақ бляшкалардың жарылуына ықпал ететін айқын морфологиялық ерекшеліктері бар: үлкенірек некротикалық өзектер, жіңішке талшықты қақпақшалар, жоғары тотығу стрессі және қабыну (25). Сондықтан, зерттеудің осы саласындағы маңызды мақсат-бұл бляшкалардың пайда болуына әкелетін нақты молекулалық-жасушалық механизмдерді анықтау, содан кейін осы білімдермен бұл процестерді тиімді және қауіпсіз түрде емдейтін тежеу ​​стратегиясын ойлап табу. Бастапқы қабыну реакциясы бляшканың дамуындағы маңызды процесс болғанымен, созылмалы жағдайда бұл жауапты тікелей тежеу, мысалы, антицитокинді терапия арқылы, қорғаныстың бұзылуына қауіп төндіреді. Екінші жағынан, қабынудың ақаулы ажыратымдылығы осал бляшка сипаттамаларын дәл анықтайды және ол хост қорғанысына нұқсан келтірмейтін емдік тәсілге – резолюция медиаторларын мақсатты басқаруға – қолайлы (7, 8, 16).

Бұл жерде жүргізілген эксперименттерде атеросклероздың бір жануарлық моделі қолданылды және прорезоляторлық медиатордың бір түрі бар тұжырымдамалық дәлелденген NP тексерілді. Атеротромботикалық қан тамырлары оқиғалары қаупі жоғары емделушілерге клиникаға мақсатты рұқсат етілген медиаторлық нанотерапевтиктерді енгізу үшін қосымша растау зерттеулері қажет болады, мысалы, майлы шошқалар мен адам емес приматтар сияқты болжамды модельдерде бағалау. Белсенді прорезоляторды қосқанда, НП қасиеттері қолайлы клиникалық қосымшалар үшін оңтайландырылуы қажет (47). Ac2-26 принципті дәлелдеудің пайдалы әдісін ұсынғанымен, Ac2-26 пептидінің өзіндегі вариацияларды қоса, рұқсат медиаторларының басқа түрлері бляшкалардың ажыратылуын күшейтуі мүмкін. Соңында, NP материалының да, рұқсат етуші жүктің де қауіпсіздігін көрсету үшін егжей-тегжейлі уыттылық зерттеулері қажет болады. Осы болашақ мақсаттарды ескере отырып, NP терапевтикалық препараттары клиникалық қолдануда немесе көптеген басқа ауруларға, соның ішінде қатерлі ісікке клиникалық зерттеулерде екенін атап өту жігерлендіреді.48), вакциналар (49) және бейнелеу (50). Осылайша, алдын ала шешуші медиаторды жеткізу үшін бляшкаға бағытталған капитализацияланған біздің атеропротекторлық стратегиямыз атеротромботикалық аурудың жоғары қаупі бар адамдарда жедел коронарлық оқиғалардың жиілігін төмендетуге уәде беруі мүмкін.


Ескертулер

(2014) Үлгіні тану бойынша ICPR 22 -ші халықаралық конференциясы. http://mitos-atypia-14.grand-challenge.org/home/

Аль-Кади ОС (2009) Фракталдық өлшемге негізделген ми менингиома ісіктерін жіктеу үшін толқынды пакеттерді талдаудың оңтайлы әдісі. Кіріс: кескінді өңдеу бойынша 16 -шы IEEE халықаралық конференциясы. IEEE, Каир, Египет, 4177-4180 б

Al-Kofahi Y, Lassoued W, Lee W, Roysam B (2010) Гистопатологиялық суреттерде жасуша ядроларын автоматты анықтау мен сегменттеуді жақсартты. IEEE Trans Biomed Eng 57 (4): 841-852

Ali S, Madabhushi A (2011) Су айдынына негізделген инициализация (acorew) көмегімен қабаттасуды шешудің белсенді контуры: гистопатологияға қосымшалар. In: 8 -ші IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін. IEEE, Чикаго, АҚШ, 614–617 беттер

Али С, Мадабхуши А (2012) Гистологиялық кескіндердегі бірнеше объектінің қабаттасу ажыратымдылығы үшін біріктірілген аймаққа, шекараға, пішінге негізделген белсенді контур. IEEE Trans Med Imaging 31(7):1448–1460

Ali S, Veltri R, Epstein JI, Christudass C, Madabhushi A (2015) Деформацияланатын сегменттеу үшін форма преференцияларының таңдамалы шақырылуы және простата обыры тінінің микроорганизмдерінің морфологиялық жіктелуі. Comp 41 Med Imaging Gr 41: 3–13 машиналық медициналық бейнелеуде оқыту

Ариф М, Раджпут Н (2007а) Простата безінің гистологиясындағы потенциалды ядролардың жіктелуі. Келесі: Машинаны көру жөніндегі халықаралық конференция, 113–118 беттер

Ариф М, Раджпут Н (2007b) Ядроларды бақылаусыз әр түрлі оқыту арқылы анықтау. В: 11-ші медициналық кескінді түсіну және талдау, Абериствит, Уэльс

Arivazhagan S, Ganesan L (2003) Толқынды түрлендіру арқылы текстураны сегменттеу. Үлгіні тану Lett 24 (16): 3197-3203

Бабу М.Н., Мадасу В.К., Ханмандлу М, Васикарла С (2010) os-fcm және деңгей жинақтарын пайдалану арқылы кескінді гистологиялық талдау. 39 -шы IEEE қолданбалы кескіндерді тану семинарында, 1-8 беттер

Baish JW, Jain RK (2000) Фракталдар мен қатерлі ісік. Рак ауруы 60 (14): 3683-3688

Бейкер С.Г. (2003) Қатерлі ісікті ерте диагностикалау үшін тесттерді бағалауда қабылдағыштың жұмыс сипаттамасының (roc) қисықтарының орталық рөлі. J Natl Cancer Inst 95(7):511–515

Басаванхалли А, Сюй Дж, Мадабхуши А, Ганесан С (2009) er+ сүт безі қатерлі ісігінің гистопатологиясының компьютерлік болжамы және dx oncotype талдауымен өмір сүру нәтижесін корреляциялау. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 851–854 беттер

Basavanhally AN, Ganesan S, Agner S, Monaco JP, Feldman MD, Tomaszewski JE, Bhanot G, Madabhushi A (2010) Оның 2+ сүт безі қатерлі ісігінің гистопатологиясындағы лимфоцитарлық инфильтрацияның компьютерленген кескінге негізделген анықталуы мен дәрежесі. IEEE Trans Biomed Eng 57 (3): 642–653

Beevi S, Nair MS, R BG (2014) Белсенді контур үлгісіне негізделген гистопатологиялық кескіндердегі митоздық жасуша ядроларының автоматты сегментациясы және жіктелуі. Ішінде: Қазіргі заманғы есептеу және информатика бойынша халықаралық конференция, 740-744 бб

Belhomme P, Toralba S, Plancoulaine B, Oger M, Gurcan MN, Gurcan MN, Bor-Angelier C (2015) Толық слайд кескіндеріндегі гистологиялық тіндердің бөліктерінің гетерогенділігін бағалау. Comput Med Imaging Gr 42: 51–55 Сандық патологиядағы жаңа технологиялар

Белкасем-Буссаид К, Сертел О, Лозански Г, Шана'ах А, Гуркан М (2009) Гистопатологиядағы центробласттарды тану үшін спектрлік домендегі түс ерекшеліктерін алу. Ішінде: Медицина мен биологиядағы IEEE инженериясының жыл сайынғы халықаралық конференциясы, 3685–3688 б.

Bengio Y, Courville A, Vincent P (2013) Өкілдік оқыту: шолу және жаңа перспективалар. IEEE Trans Pattern Anal Mach Intell 35 (8): 1798-1828 жж. doi: 10.1109/TPAMI.2013.50

Билгин С, Демир С, Наги С, Йенер Б (2007) Сүт безінің тінін модельдеу және жіктеу үшін жасушалық графиканы өндіру. In: IEEE жыл сайынғы 29 -шы халықаралық конференциясы, 5311–5314 бб

Bottou L, Lin CJ (2007) Векторлық машина шешушілерін қолдау. Үлкен масштабты ядролық машиналар. MIT Press, Кембридж

Boucheron LE, Manjunath BS, Harvey NR (2010) Сүт безі қатерлі ісігінің гистопатологиялық кескіндерін жіктеуде жетілмеген сегменттелген ядроларды пайдалану. Акустикалық сөйлеу және сигналды өңдеу бойынша IEEE халықаралық конференциясы, 666–669 беттер

Қоңыр HS (2002) Гематоксилин және ампозин (әдеттегі дақ). Сигма-Олдрич корпорациясы, Сент-Луис

Caselles V, Kimmel R, Sapiro G (1997) Геодезиялық белсенді контурлар. Int J Comput Vis 22 (1): 61-79

Chang T, Kuo CCJ (1993) Ағаш құрылымды толқындық түрлендірумен текстураны талдау және жіктеу. IEEE Trans Image Process 2 (4): 429–441

Cheikh BB, Bertheau P, Racoceanu D (2015) Ішектің қабыну ауруларында криптті анықтауға алдын ала көзқарас. Ішінде: RITS, 138–139 беттер

Chekkoury A, Khurd P, Ni J, Bahlmann C, Kamen A, Patel A, Grady L, Singh M, Groher M, Navab N, Krupinski E, Johnson J, Graham A, Weinstein R (2012) Сүт безінің гистопатологиясында қатерлі ісіктерді автоматтандырылған анықтау суреттер. In: Медициналық бейнелеу 2012: Компьютерлік диагностика, Сан-Диего, Калифорния, 8315: 831505

Chen C, Ozolek JA, Wang W, Rohde GK (2011) Қарқындылық аудандары мен өлшемдерді азайту арқылы биомедициналық кескіндерді сегменттеуге арналған пиксельді жіктеу жүйесі. IEEE Халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 1649–1652 б.

Chen C, Wang W, Ozolek JA, Rohde GK (2013) 2d микроскопиялық суреттерден бақыланатын оқыту мен шаблонды сәйкестендіру арқылы жасуша ядроларын сегменттеудің икемді және берік әдісі. J Int Soc Adv Cytom A 83 (5): 495–507

Чэн Ю (1995) Орташа ығысу, режим іздеу және кластерлеу. IEEE Trans Pattern Anal Mach Intell 7(8):790–799

Ciresan D, Giusti A, Gambardella L (2013) Терең нейрондық желілері бар сүт безі қатерлі ісігінің гистологиялық суреттерінде митозды анықтау. В: Мори К, Сакума I, Сато Ю, Барилот С, Наваб Н (eds) Медициналық кескінді есептеу және компьютер көмегімен араласу MICCAI., Информатикадан дәріс жазбаларыSpringer, Берлин, 411–418 беттер

Comaniciu D, Meer P (2002) Орташа ауысым: мүмкіндік кеңістігін талдауға сенімді көзқарас. IEEE Trans Pattern Anal Mach Intell 24 (5): 603–619

I байқау (2012 ж.) Сүт безі обырының гистологиялық суреттерінен митозды анықтау, icpr 2012 байқауы. http://ipal.cnrs.fr/ICPR2012/?q=node/5

Cruz-Roa A, Arévalo J, Madabhushi A, González F (2013) Кескінді бейнелеуге, визуалды интерпретацияға және автоматтандырылған базальды жасушалы карциноманы анықтаудың терең оқыту архитектурасы. In: Mori K, Sakuma I, Sato Y, Barillot C, Navab N (eds) Медициналық кескінді есептеу және компьютерлік араласу MICCAI 2013, 8150 том., Информатикадағы дәріс жазбалары Спрингер, Берлин Гейдельберг, 403-410 б.

Cruz-Roa A, Arévalo J, Basavanhally A, Madabhushi A, González F (2015) Анапластикалық медуллобластоманың дифференциациясы үшін бақыланатын және бақылаусыз ұсынылған оқыту тәсілдерін салыстырмалы бағалау. In: SPIE Medical Imaging, vol 9287. p 92870G

Dai SK, Wu YC, Jan YJ, Lin SC (2009) Біріктірілген кескіндерді пайдалана отырып, hcc гистологиялық жіктелуі. IEEE: өлшеу жүйелері мен қосымшалары үшін есептік интеллект бойынша халықаралық конференция, 186-189 б

Dalle JR, Leow WK, Racoceanu D, Tutac AE, Putti TC (2008) Гистопатологиялық кескіндердің сүт безі қатерлі ісігінің автоматты түрде бағалануы. Жылы: Ванкуверде 30 -шы IEEE EMBS халықаралық конференциясы. Британдық Колумбия, Канада, 3052–3055 беттер

Daskalakis A, Kostopoulos S, Spyridonos P, Glotsos D, Ravazoula P, Kardari M, Kalatzis I, Cavouras D, Nikiforidis G (2008) Қалқанша безінің қатерлі түйіндерінен қатерсіз ажыратуға арналған көп жіктеуіш жүйенің дизайны . Comput Biol Med 38(2):196–203

Datar M, Padfield D, Cline H (2008) hsoms көмегімен молекулалық патология суреттерінің түсі мен текстурасына негізделген сегменттелуі. In: Биомедициналық бейнелеу бойынша IEEE 5 -ші халықаралық симпозиумы: нанодан макроға дейін, 292–295 бет.

Демир С, Йенер Б (2005) Гистологиялық суреттерге негізделген автоматтандырылған қатерлі ісік диагностикасы: жүйелі сауалнама. Техникалық есеп, Ренсселаер политехникалық институтының информатика кафедрасы, АҚШ

Demir C, Gultekin SH, Yener B (2005) Ми ісіктерінің топологиялық қасиеттерін үйрену. IEEE/ACM Trans Comput Biol Bioinform 2 (4): 262-270

Diamond J, Anderson NH, Bartels PH, Montironi R, Hamilton PW (2004) Простатикалық неоплазия кезінде тіндердің құрамын анықтауда морфологиялық сипаттамалар мен текстуралық талдауды қолдану. Адам патроны 35 (9): 1121–1131

Dong F, Irshad H, Oh EY, Lerwill M, Brachtel E, Jones NC, Knoblauch NW, MontaserKouhsari L, Johnson NB, Rao LKF, Faulkner-Jones B, Wilbur DC, Schnitt SJ, Beck AH (2014) Есептеу патологиясы сүт безінің қатерлі интраодуктальды пролиферациясынан жақсы. PLoS One 9(12):e114885. doi:10.1371/journal.pone.0114885

Doyle S, Madabhushi A, Feldman MD, Tomaszeweski JE (2006) Цифрланған гистологиядан простата обырын автоматты түрде анықтауға арналған күшейтетін каскад. Медициналық кескінді есептеу және компьютерлік араласу бойынша 9 -шы халықаралық конференция - MICCAI 2006, Копенгаген, Дания, 2006 ж. 1-6 қазан, материалдар, ІІ бөлім, Спрингер, информатикадағы дәріс жазбалары, 4191 том, 504–511 б.

Дундар ММ, Бадве С, Райкар ВК, Джайн РК, Сертел О, Гуркан М.Н. (2010) Патология слайдтарының оңтайлы жіктелуіне бағытталған бірнеше даналық оқыту тәсілі. Кіріс: Үлгіні тану бойынша 20 -шы халықаралық конференция, 2732–2735 бб

Dundar MM, Badve S, Bilgin G, Raykar V, Jain R, Sertel O, Gurcan MN (2011) Гистопатологиялық суреттерді қолдана отырып, кеуде ішілік зақымданудың компьютерленген жіктелуі. IEEE Trans Biomed Eng 58 (7): 1977–1984 жж

Esgiar AN, Chakravorty PK (2007) Тоқ ішектің қатерлі ісігі тінінің кескіндерінің фракталдық негізделген жіктелуі. In: Сигналдарды өңдеу және оның қолданылуы бойынша 9 -шы халықаралық симпозиум, 1–4 бб

Fatakdawala H, Xu J, Basavanhally A, Bhanot G, Ganesan S, Feldman M, Tomaszewski JE, Madabhushi A (2010) Күту-максимизациялауға негізделген геодезиялық активті контур, қабаттасу шешімі бар (эмагакор): сүт безі қатерлі ісігінің гистопатологиясында лимфоциттердің сегменттелуіне қолдану. IEEE Trans Biomed Eng 57(7):1676–1689

Фернандес-Карроблс ММ, Буэно Г, Дениз О, Салидо Дж, Гарсиа-Рохо М, Гонзандес-Лопес Л (2015) Кеудедегі TMA классификациясы үшін жиілік және кеңістіктік түсті мәтіндер. Comput Med Imaging Gr 42:25–37 Сандық патологиядағы серпінді технологиялар

Fuchs TJ, Buhmann JM (2011) Есептеу патологиясы: тіндерді талдауға арналған қиындықтар мен уәделер. Есептеуіш меди бейнелеу Gr 35: 515-530

Фудзита Х, Учияма Ю, Накагава Т, Фукуока Д, Хатанака Ю, Хара Т, Ли Г.Н, Хаяши Ю, Икедо Ю, Гао Х, Чжоу Х (2008) Компьютерлік диагностика: жапондық денсаулықпен туындаған үш CAD жүйесінің пайда болуы күтім қажеттіліктері. Есептеу әдістері бағдарламасы Biomed 92(3):238–248

Gelasca ED, Obara B, Fedorov DG, Kvilekval K, Manjunath BS (2009) Биобейне талдау әдістерін бағалау үшін биосегментация эталоны. Биоинформатика 10: 1–12

Джордж Л.Е., Сагер К.Х. (2007) Көп фрактальды өлшемді спектрлерді қолдана отырып, сүт безі обыры диагнозы. В: Сигналдарды өңдеу және коммуникациялар бойынша IEEE халықаралық конференциясы, 592–595 беттер

Glotsos D, Kalatzis I, Spyridonos P, Kostopoulos S, Daskalakis A, Athanasiadis E, Ravazoula P, Nikiforidis G, Cavouras D (2008) Екі тірек деңгейіндегі тірек машинасына берік ең аз квадраттарды салыстыру классификаторын біріктіру арқылы астроцитомаларды бағалаудағы дәлдікті жақсарту сынып жіктеу схемасы. Есептеу әдістері бағдарламасы Biomed 90(3):251–261

GLoukas C, Linney A (2004) Радиотерапияға әсер ететін үш негізгі биологиялық фактордың гистологиялық бейнесін талдауға негізделген бағалау бойынша сауалнама: пролиферация, гипоксия және тамырлар. Progomed Biomed 74 (3) есептеу әдістері: 183–199

Gonzalez RC, Woods RE (2008) Суретті сандық өңдеу. Пирсон білімі, Жоғарғы седл өзені

Гопинат Б, Гупта БР (2010) Қалқанша безінің карциномасының көпшілік дауыс беруіне негізделген жіктелуі. Scip 2 Scia Processia: 265-271

Grady L (2005) Алдыңғы модельдерді қолдана отырып, мультиабельді кездейсоқ жаяу суреттің сегментациясы. Компьютерде көру және үлгіні тану бойынша IEEE компьютерлік қоғамының конференциясы, 763–770 беттер

Grady L (2006) Кескінді сегменттеу үшін кездейсоқ жүру. IEEE Trans Pattern Anal Mach Intell 28(11):1768–1783

Gurcan M, Boucheron L, Can A, Madabhushi A, Rajpoot N, Yener B (2009) Гистопатологиялық суретті талдау: шолу. IEEE Rev Biomed Eng 2:147–171

Хан Дж, Камбер М (2006) Деректерді өндіру ұғымдары мен әдістері. Elsevier, Амстердам

Han J, Chang H, Loss L, Zhang K, Baehner FL, Grey JW, Spellman P, Parvin B (2011) Глиобастома мультиформасының гистопатологиялық жіктелуі үшін сирек кодтау мен ядро ​​әдістерін салыстыру. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 711–714 бб.

Haralick RM, Shanmugam K, Dinstein I (1973) Кескінді жіктеуге арналған текстуралық мүмкіндіктер. IEEE Trans Syst Man Cybern SMC 3(6):610–621

He L, Long LR, Antani S, Thoma GR (2012) Карциноманы анықтау және бағалау үшін гистологиялық кескінді талдау. Есептеу әдістері бағдарламасы Biomed 107(3):538–556

Хипп Дж, Флотте Т, Монако Дж, Ченг Дж, Мадабхуши А, Яги Ю, Родригес-Каналес Дж, Эммерт-Бак М, Дуган МС, Хьюитт С, Тонер М, Томпкинс Р.Ж., Лукас Д, Гилбертсон Дж.Р, Балис УЖ (2011) ) Компьютерлік диагностикалық құралдар патологтарды алмастырудан гөрі күшейтуге бағытталған: есептеу шахматынан алынған сабақтар. J Pathol туралы ақпарат 2 (1): 25

Horstmeyer R, Ou X, Zheng G, Willems P, Yang C (2015) Фурье птихографиясы бар сандық патология. Comput Med Imaging Gr 42:38–43 Сандық патологиядағы серпінді технологиялар

Irshad H, Jalali S, Roux L, Racoceanu D, Hwee LJ, Naour GL, Capron F (2013a) Текстураны, елеу ерекшеліктерін және hmax биологиялық шабыттандырылған әдісті қолдана отырып, митозды автоматты түрде анықтау. J Pathol Inform 4(2):12

Irshad H, Roux L, Racoceanu D (2013b) Сүт безі қатерлі ісігінің гистопатологиясында митозды анықтауға негізделген көп каналды статистикалық және морфологиялық ерекшеліктер. In: IEEE EMBS 35 -ші жыл сайынғы халықаралық конференциясы, 6091–6094 б

Irshad H, Guaillard A, Roux L, Racoceanu D (2014a) Көп спектрлік диапазонды таңдау және кеңістіктік сипаттамасы: сүт безі қатерлі ісігінің гистопатологиясында митозды анықтауға қолдану. Comput Med Imaging Gr 38 (5): 390-402

Irshad H, Veillard A, Roux L, Racoceanu D (2014b) Сандық гистопатологияда ядроларды анықтау, сегменттеу және жіктеу әдістері: шолу - қазіргі жағдайы мен болашақ потенциалы. IEEE Rev Biomed Eng 7: 97–114

Jadhav AS, Banerjee S, Dutta PK, Paul RR, Pal M, Banerjee P, Chaudhuri K, Chatterjee J (2006) Кескінді өңдеу техникасын қолдана отырып, ісікке дейінгі зақымданудың гистопатологиялық ерекшеліктерін сандық талдау. In: 19-шы IEEE Халықаралық компьютерлік медициналық жүйелер симпозиумы, 231–236 беттер

Джафари-Хоузани К, Солтаниан-Заде Н (2003) Қуық асты безінің патологиялық кескіндерін мультитолқынды бағалау. IEEE Trans Biomed Eng 50(6):697–704

Jain AK, Zongker D (1997) Ерекшеліктерді таңдау: бағалау, қолдану және шағын үлгінің өнімділігі. IEEE Trans Pattern Anal Mach Intell 19(2):153–158

Janowczyk A, Chandran S, Singh R, Sasaroli D, Coukos G, Feldman MD, Madabhushi A (2009) Иерархиялық қалыпқа келтірілген қысқартулар: аналық без ісігі тінінің микроаррядтарынан тамырлы биомаркерлердің бақылаусыз сегменттелуі. In: MICCAI-2009, Springer, информатика бойынша дәріс жазбалары, 5761 том, 230–238 беттер

Джоти А.А., Раджам MA (2014) pso-негізделген otsus көп деңгейлі шекті қолдану арқылы сүт безінің гистопатологиясы кескіндерінен ядроларды сегменттеу. In: L Padma Suresh BKP Subhransu Sekhar Dash (ed) Artificial Intelligence and Evolutionary Algorithms in Engineering Systems, Springer, Advances in Intelligent and Soft Computing, 325 том, 835–843 беттер

Kandemir M, Hamprecht FA (2015) Әлсіз бақылаудан компьютерлік диагностика: салыстыру зерттеуі. Comput Med Imaging Gr 42: 44–50 Сандық патологиядағы жаңа технологиялар

Kass M, Witkin A, Terzopoulos D (1988) Жыландар: белсенді контурлық модельдер. Int J Comput Vis 1(4):321–331

Хан А.М., Эль-Дали Х, Раджпут Н.М. (2012) Сүт безі қатерлі ісігінің гистопатологиясы кескіндеріндегі митоздық жасушаларды анықтауға арналған гамма-гаусс қоспасының үлгісі. Кіріс: Үлгіні тану бойынша 21 -ші халықаралық конференция, 149–152 беттер

Khan AM, Rajpoot N, Treanor D, Magee D (2014) Биомедициналық инженериядағы кескінге тән түсті ажырату транзакцияларын пайдалана отырып, сандық гистопатология кескіндеріндегі дақтарды қалыпқа келтіру үшін сызықты емес карталау тәсілі. IEEE Trans Biomed Eng 61 (6): 1729–1738

Хан А.М., Сиринукунваттана К, Раджпут Н (2015) Кеуде гистопатологиясы суреттерінде ядролық атипия көрсеткіштерінің жаһандық ковариация дескрипторы. IEEE J Biomed Health Inform 19:1637–1647

Khurd P, Bahlmann C, Maday P, Kamen A, Gibbs-Strauss S, Genega EM, Frangioni JV (2010) Текстонды ормандардың көмегімен простата обырының гистопатологиялық суреттерін компьютерлік глазонмен бағалау. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 636-639 б.

Хурд П, Греди Л, Камен А, Гиббс-Стросс С, Генега EM, Франгиони БК (2011) Желілік цикл ерекшеліктері: қуық асты безінің қатерлі ісігінің гистопатологиялық кескіндерін компьютерлік глизондық бағалауға қолдану. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 1632–1636 беттер

Kong H, Gurcan M, Belkacem-Boussaid K (2011a) Гистопатологиялық кескіндерді бөлу: бақыланатын түсті текстуралық сегменттеу мен жасушаларды бөлуге арналған интеграцияланған жүйе. IEEE Trans Med Imaging 30(9):1661–1677

Kong H, Gurcan M, Belkacem-Boussaid K (2011b) Гистологиялық кескіндердегі жанасу жасушаларының кластерлерін бөлу. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 208–211 бб.

Kothari S, Phan JH, Moffitt RA, Stokes TH, Hassberger SE, Chaudry Q, Young AN, Wang MD (2011) Гистологиялық ісік кескіндерінің автоматты пакеттік-инвариантты түсті сегментациясы. IEEE Халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, IEEE, 657–660 беттер

Li G, Sanchez V, Patel G, Quenby S, Rajpoot N (2015) Эндометриялық биопсиялардың IHC боялған слайдтарының цифрлық гистопатологиялық суреттерінде люминальды эпителий жиегінің локализациясы. Comput Med Imaging Gr 42:56–64 Сандық патологиядағы серпінді технологиялар

Li X, Plataniotis KN (2015) Қанықтылық бойынша өлшенген статистикадан есептелген түсті белгілерді пайдалана отырып, гистопатологиялық кескіндерге толық түсті қалыпқа келтіру тәсілі. IEEE Trans Biomed Eng 62 (7): 1862-1873 жж

Loménie N, Racoceanu D (2012) Морфологиялық сүзу мен кеңістіктік конфигурацияның семантикалық модельдеуінің нүктелік жиынтығы: микроскопиялық кескінге және биоқұрылымды талдауға қолдану. Үлгіні тану 45 (8): 2894–2911

Лу С, Махмуд М, Джа Н, Мандал М (2012) Кескінді сандық гистопатологиялық талдауға арналған ядроларды автоматты түрде сегменттеудің берік әдісі. Анальды квант цитол гистозы 34(6):296–308

Luts J, Ojeda F, de Plas RV, Moor BD, Suykens SVHJA (2010) Химометрияда есептерді жіктеудің векторлық машиналық әдістерін қолдау бойынша оқу құралы. Anal Chimica Acta 665(2):129–145

Мадабхуши А, Басаванхалли А, Дойл С, Агнер С, Ли Г (2010) Компьютерлік болжам: көпмодальды сурет талдауы арқылы науқас пен аурудың нәтижесін болжау. IEEE Халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 1415–1418 бб.

Masood K, Rajpoot N (2009) clbp көмегімен гиперспектральды ішек биопсиясы үлгілерінің текстуралық жіктелуі. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 1011–1014 б.

Масуд К, Раджпут Н, Куреши Х, Раджпут К (2006) Тоқ ішек тінінің биопсиясының жіктелуі үшін қатар жүруі мен морфологиялық талдауы. In: Ақпараттық технологиялар шекаралары бойынша 4-ші халықаралық семинар

Mete M, Xu X, Fan CY, Shafirstein G (2006) Гистопатологиялық слайдтарда бас және мойын қатерлі ісігін анықтау. In: IEEE 6 -шы халықаралық конференциясы деректерді өндіру бойынша - семинарлар

MICCAI (2013) Митозды анықтау алгоритмдерін бағалау 2013 (AMID13), MICCAI grand challenge. http://amida13.isi.uu.nl/

Naik S, Doyle S, Agner S, Madabhushi A, Feldman M, Tomaszewski J (2008) Қуық асты безі мен сүт безі қатерлі ісігінің гистопатологиясын бағалау үшін автоматтандырылған бездер мен ядроларды сегменттеу. В: IEEE 5-ші халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 284–287 бет

Нанди К, Гудла ПР, Амундсен Р, Меаберн КДж, Мистели Т, Локетт СДж (2012) Қатерлі ісік тінінің кескіндеріндегі ядроларды автоматты сегменттеу және бақыланатын оқуға негізделген таңдау. J Int Soc Adv Cytom A 81(9):743–754

Nateghi R, Danyali H, SadeghHelfroush M, Pour F (2014) Генетикалық алгоритмді пайдалана отырып, сүт безі қатерлі ісігінің гистопатологиясы кескіндеріндегі митоздық жасушаны автоматты түрде анықтау. Келесі: Биомедициналық инженерия бойынша 21 -ші Иран конференциясы, 1-6 беттер

Nayak N, Chang H, Borowsky A, Spellman P, Parvin B (2013) Ісік гистопатологиясының сирек ерекшеліктері арқылы жіктелуі. В: 10-шы халықаралық биомедициналық бейнелеу симпозиумы, 410–413 беттер

Nguyen K, Jain AK, Allen RL (2010) Қуық асты безінің тіндерінің суреттерін глазон бойынша бағалау үшін бездердің автоматтандырылған сегментациясы мен жіктелуі. Ішінде: Үлгіні тану жөніндегі халықаралық конференция, 1497–1500 б

Nguyen K, Sabata B, Jain AK (2012) Қуық асты безінің қатерлі ісігінің жіктелуі: бездердің сегментациясы және құрылымдық ерекшеліктері. Үлгіні тану Летт 33 (7): 951–961

Панг Б, Чжан Ы, Чен Ц, Гао З, Пэн Q, Сіз X (2010) Конволюционды желілерді пайдалана отырып, түсті гистопатологиялық кескінде жасуша ядросының сегментациясы. Ішінде: Үлгіні тану жөніндегі қытай конференциясы, 1–5 беттер

Park SY, Sargent D, Lieberman R, Gustafsson U (2011) Шартты кездейсоқ өрістерге негізделген жатыр мойны неоплазиясын анықтау үшін доменге тән кескін талдауы. IEEE Trans Med Imaging 30 (3): 867-878

Peng H (2008) Bioimage информатикасы: инженерлік биологияның жаңа саласы. Биоинформатика 24 (17): 1827-1836 жж

Perkins S, Lacker K, Theiler J (2003) Трансплантация: функция кеңістігінде градиенттің түсуі арқылы жылдам, қосымша мүмкіндікті таңдау. J Mach Res Res 3: 1333–1356

Petushi S, Katsinis C, Cardard C, Garcia F, Tozeren A (2004) Гистология слайдтарындағы микроқұрылымдарды автоматтандырылған сәйкестендіру. IEEE Халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін 1: 424-427

Петуши С, Гарсиа ФУ, Хабер ММ, Катсинис С, Тозерен А (2006) Гистологиялық кескіндердегі кең ауқымды есептеулер сүт безі қатерлі ісігінің дәрежесін саралау параметрлерін көрсетеді. BMC Med Imaging 6:14

Po-Whei H, Cheng-Hsiung L (2009) Фракталды талдауға негізделген патологиялық простата кескіндерінің автоматты жіктелуі. IEEE Trans Med Imaging 28(7):1037–1050

Po-Whei H, Yan-Hao L (2010) hcc биопсиялық кескіндері үшін тиімді сегменттеу және жіктеу. Үлгі тану 43(4):1550–1563

Pudil P, Novovicova J, Kittler J (1994) Функцияны таңдауда өзгермелі іздеу әдістері. Үлгіні тану Летт 15:1119–1125

Racoceanu D, Capron F (2015) Мазмұны жоғары мазмұнды суретті талдауға қарай: цифрлық гистопатологияда митозды анықтауға арналған оперативті жағдай. Comput Med Imaging Gr 42:2–15

Rahmadwati, Naghdy G, Ross M, Todd C, Norachmawati E (2010) Гистологиялық суреттерді қолдана отырып, жатыр мойны обырын жіктеу. Келесі: Есептеу техникасы мен қосымшалар бойынша 2 -ші халықаралық конференция, 1 том, 515–519 беттер

Reinhard E, Adhikhmin M, Gooch B, Shirley P (2001) Суреттер арасындағы түстердің ауысуы. IEEE Comput Gr Appl 21(5):34–41

Roula MA, Bouridane A, Kurugollu F (2004) Гистопатологиялық кескіндердегі ядроларды сегменттеуге арналған эволюциялық жылан алгоритмі. Int Conf кескін процесі 1:127–130

Roullier V, Ta VT, Léoray O, Elmoataz A (2010) Гистологиялық тұтас слайд кескіндерінің графикаға негізделген көп ажыратымдылықтағы сегменттелуі. IEEE халықаралық биомедициналық бейнелеу симпозиумы: нанодан макроға дейін, 153–156 б.

Roux L, Racoceanu D, Loménie N, Kulikova M, Irshad H, Klossa J, Capron F, Genestie C, Metin N, Gurcan GLN (2013) Сүт безі қатерлі ісігінің гистологиялық суреттерінде митозды анықтау: icpr 2012 байқауы. J Pathol 4: 8 туралы ақпарат

Ruiz A, Kong J, Ujaldon M, Boyer K, Saltz J, Gurcan M (2008) GPU көмегімен нейробластоманың патологиялық кескін сегментациясы. In: Биомедициналық бейнелеу бойынша IEEE 5 -ші халықаралық симпозиумы: нанодан макроға дейін, 296-299 б.

Seminowich S, Sar A, Yilmaz S, Rangayyan RM (2009) Бүйрек биопсиясы үлгілерінің суреттерінің тиімді аймағын сегменттеу. Келесі: Канадалық электр және есептеу техникасы конференциясы, 108–111 беттер

Seminowich S, Sar A, Yilmaz S, Rangayyan RM (2010) Бүйрек биопсиясы үлгілерінің суреттерінде жасуша ядроларының сегменттелуі. Жылы: 23 -ші Канадалық электр және есептеу техникасы конференциясы, 1–4 беттер

Sertel O, Kong J, Lozanski G, Shanaa'ah A, Catalyurek UV, Saltz JH, Gurcan MN (2008) Түстердің сызықты емес кванттауын қолданатын текстураның жіктелуі: суретті гистопатологиялық талдауға қолдану. Акустика, сөйлеу және сигналды өңдеу бойынша IEEE халықаралық конференциясы, 597–600 бет

Sertel O, Catalyurek UV, Shimada H, Gurcan MN (2009a) Нейробластоманың компьютерлік болжамы: цифрланған гистологиялық кескіндерде митоз бен кариоррексис жасушаларын анықтау. Медицина және биология қоғамындағы IEEE инженериясының жыл сайынғы халықаралық конференциясы, 1433–1436 беттер

Sertel O, Kong J, Catalyurek UV, Gerard L, Saltz JH, Gurcan MN (2009b) Модельге негізделген аралық көріністер мен түс құрылымын қолдана отырып гистопатологиялық суретті талдау: Фолликулярлық лимфоманың дәрежесі. J Сигнал процесі жүйесі 55(1–3):169–183

Sertel O, Catalyurek UV, Lozanski G, Shanaah A, Gurcan MN (2010a) Фолликулярлық лимфоманың цифрланған h&e-боялған гистологиялық кескіндеріндегі қатерлі жасушаларды анықтауға арналған кескінді талдау тәсілі. In: Үлгіні тану бойынша 20 -шы халықаралық конференция, 273–276 бб

Sertel O, Lozanski G, Shanaa'ah A, Gurcan MN (2010b) Адаптивті ықтималдыққа негізделген жасушалық сегменттеуді қолдану арқылы фолликулярлық лимфоманың градировкасына арналған центробласттарды компьютер көмегімен анықтау. IEEE Trans Biomed Eng 57 (10): 2613–2616

Сезгин М, Санкур Б (2004) Кескіннің шегін анықтау әдістері мен өнімділікті сандық бағалау бойынша сауалнама. J Электронды бейнелеу 13 (1): 146–165

Shi J, Malik J (2000) Қалыптастырылған кесулер мен кескін сегментациясы. IEEE Trans Pattern Anal Mach Intell 22 (8): 888–905

Sieren JC, Weydert J, Bell A, Young BD, Smith AR, Thiesse J, Namati E, McLennan G (2010) Адамның өкпе ісігінің гистологиялық күрделілігін көрсетуге арналған автоматтандырылған сегменттеу әдісі. Annal Biomed Eng 38(12):3581–3591

Sirinukunwattana K, Khan AM, Rajpoot NM (2015) Жасуша сөздері: гистопатология суреттеріндегі жасушалардың визуалды көрінісін модельдеу. Comput Med Imaging Gr 42: 16–24 Сандық патологиядағы жаңа технологиялар

Somol P, Pudil P, Novovicova J, Paclik P (1999) Функцияларды таңдаудағы адаптивті іздеу әдістері. Үлгі тану Lett 20(11–13):1157–1163

Song Y, Zhang L, Chen S, Ni D, Li B, Zhou Y, Lei B, Wang T (2014) Жатыр мойнының цитоплазмасы мен ядроларын дәл сегменттеуге арналған терең оқытуға негізделген құрылым. In: Медицинадағы инженерия және биология қоғамы (EMBC), 2014 IEEE 36-жылдық халықаралық конференциясы, 2903–2906 беттер

Song Y, Zhang L, Chen S, Ni D, Lei B, Wang T (2015) Жатыр мойны цитоплазмасы мен ядроларының көп масштабты конвульсиялық желі мен графикалық бөлуге негізделген дәл сегменттелуі. PP (99) биомедициналық инженерия бойынша IEEE операциялары: 1–1

Spyridonos P, Glotsos D, Cavouras D, Ravazoula P, Zolota V, Nikiforidis G (2002) Тіндік бөліктерді талдауда жасуша ядроларының үлгіні тануға негізделген сегменттеу әдісі. In: Цифрлық сигналды өңдеу бойынша 14 -ші халықаралық конференция, 1121–1124 б

Sridhar S (2011) Цифрлық кескінді өңдеу. Оксфорд университетінің баспасы, Оксфорд

Табеш А, Теверовский М, Панг Хы, Кумар В.П., Етістік D, Коцианти А, Саиди О (2007) Простата безінің қатерлі ісігінің көпфункционалды диагностикасы және гистологиялық суреттерді глазон бойынша бағалау. IEEE Trans Med Imaging 26(10):1366–1378

Tashk A, Helfroush MS, Danyali H, Akbarzadeh-Jahromi M (2013) Объективті және пиксельдік текстуралық ерекшеліктер жіктемесіне негізделген сүт безі қатерлі ісігінің гистопатологиясының слайд кескіндерінің митозды анықтаудың автоматты әдісі. In: Ақпараттық және білім технологиясы бойынша 5 -конференция, 406–410 бб

Tashk A, Helfroush MS, Danyali H, Akbarzadeh-Jahromi M (2014) Біріктірілген ерекшеліктерге негізделген сүт безі қатерлі ісігінің гистологиялық суреттерінен кад митозын анықтау жүйесі. In: Электротехника бойынша 22-ші Иран конференциясы, 1924–1927 жж.

Tashk A, Helfroush MS, Danyali H, Akbarzadeh-jahromi M (2015) Текстуралық, статистикалық және инновациялық математикалық ерекшеліктердің комбинациясына негізделген сүт безі рагының митоздық жасушаларын автоматты түрде анықтау. Appl Math Model 39 (20): 6165-6182

Tchikindas L, Sparks R, Baccon J, Ellison D, Judkins AR, Madabhushi A (2011) Кездейсоқ жаяу және иерархиялық қалыпқа келтірілген кесу көмегімен түйіндік медуллобластоманың сегментациясы. IEEE 37-ші жыл сайынғы солтүстік-шығыс биоинженерлік конференциясы, 1-2 беттер

Томаси С (2004) Гаусс қоспасының тығыздығын эммен бағалау - оқулық. http://www.cse.psu.edu/

Tosun AB, Gunduz-Demir C (2011) Гистопатологиялық кескін сегментациясы үшін графикалық жұмыс ұзындығы матрицалары. IEEE Trans Med Imaging 30(3):721–732

Тосун А.Б., Кандемир М, Сокменсуэр С, Гундуз-Демир С (2009) Қатерлі ісіктерді анықтауға арналған биопсия кескіндерін бақылаусыз сегментациялау үшін объектіге бағытталған текстуралық талдау. Үлгіні тану 42 (6): 1104–1112

Veillard A, Bressan S, Racoceanu D (2012) Түсті, текстураны, масштабты және геометрияны пайдалана отырып, гистопатологиялық кескіндерден нысандарды сенімді түрде алу үшін SVM негізіндегі құрылым. Келесі: Машиналық оқыту мен қосымшалар бойынша 11 -ші халықаралық конференция, 70-75 бб

Veta M, van Diest PJ, Kornegoor R, Huisman A, Viergever MA, Pluim JPW (2013) h&e боялған сүт безі қатерлі ісігінің гистопатологиясы кескіндеріндегі автоматты ядроларды сегменттеу. PLoS One 8(7):e70,221. doi: 10.1371/journal.pone.0070221

Veta M, Pluim JPW, van Diest PJ, Viergever MA (2014) Сүт безінің қатерлі ісігінің гистопатологиясының имидждік талдауы: шолу. IEEE Trans Biomed Eng 61(5):1400–1411

Вета М, ван Диеста ПДЖ, Виллемс СМ, Ванг Х, Мадабхуши А, Круз-Роа А, Гонсалес Ф, Ларсен А.Б., Вестергаарда Дж.С., Дал AB, Сирезан Д.С., Шмидхубер Дж., Джусти А, Гамбарделла LM, Тек ФБ, Уолтер Т. , Wang CW, Kondo S, Matuszewski BJ, Precioso F, Snell V, Kittler J, de Campos TE, Khan AM, Rajpoot NM, Arkoumani E, Lacle MM, Viergever MA, Pluim JP (2015) митозды анықтау алгоритмдерін бағалау сүт безі қатерлі ісігінің гистологиялық суреттері. Med Image Anal 20(1):237–248

Waheed S, Moffitt RA, Chaudryl Q, Young AN, Wang MD (2007) Қатерлі ісік қосалқы түрлерінің компьютерлік гистологиялық классификациясы. 7-ші IEEE халықаралық биоинформатика және биоинженерия конференциясы, 503–508 беттер

Wan T, Liu X, Chen J, Qin Z (2014) Сүт безі қатерлі ісігінің гистопатологиясында митоздық және митоздық емес жасушаларды ажыратуға арналған толқындық негізіндегі статистикалық мүмкіндіктер. In: 2014 IEEE Халықаралық кескінді өңдеу конференциясы (ICIP), 2290–2294 беттер

Wang W, Ozolek JA, Rohde GK (2010) Гистопатологиялық суреттерден ядролық құрылымға негізделген қалқанша безінің фолликулярлық зақымдануын анықтау және жіктеу. J Int Soc Adv Cytom A 77A(5):485–494

Wang W, Ozolek JA, Slepcev D, Lee AB, Chen C, Rohde GK (2011) Ядролық құрылымға негізделген патология үшін оңтайлы тасымалдау тәсілі. IEEE Trans Med Imaging 30 (3): 621-631

Ван Ю, Крукес Д, Элдин О.С., Ванг С, Гамильтон П, Даймонд Дж (2009) Жатыр мойнының интраэпителиальды неоплазиясының (цин) көмекші диагностикасы. IEEE J Sel жоғарғы сигнал процесі 3 (1): 112–121

Вестин Л.К. (2001) Қабылдағыштың жұмыс сипаттамасын (roc) талдау. шешімдерді қолдау жүйелері арасындағы кемсітушілік әсерін бағалау. Техникалық есеп, Умеа университетінің есептеу техникасы кафедрасы, Швеция

Wittke C, Mayer J, Schweiggert F (2007) Кеңістіктік статистика әдістерімен простата карциномасының жіктелуі туралы. IEEE Trans Inform Technol Biomed 11 (4): 406-414

Xu C, Prince JL (1998) Жыландар, пішіндер және градиент векторының ағыны. IEEE Trans Image Process 7(3):359–369

Xu J, Sparks R, Janowcyzk A, Tomaszewski JE, Feldman MD, Madabhushi1 A (2010) Қуық асты безінің қатерлі ісігін анықтау, сегменттеу және цифрланған ине өзегінің биопсиясынан жіктеу. Ішінде: Қуық асты безінің қатерлі ісігін бейнелеу, Springer, информатикадағы дәрістер, 6367, 77-88 беттер

Xu Y, Mo T, Feng Q, Zhong P, Lai M, Chang EIC (2014) Медициналық бейнені талдау үшін бірнеше инстанциялы оқытумен ерекшеліктерді көрсетуді терең үйрену. Акустика, сөйлеу және сигналды өңдеу бойынша IEEE халықаралық конференциясы, 1626–1630 беттер

Yang L, Tuzel O, Meer P, Foran DJ (2008) Ойыс шыңдар графигін пайдалана отырып, гистопатология үлгілерінің кескінін автоматты түрде талдау. Ішінде: Медициналық кескінді есептеу және компьютер көмегімен интервенция, Springer, информатикадағы дәрістер, 5241 том, 833-841 б.

Zampirolli FDA, Stransky B, Lorena AC, de Melo Paulon FL (2010) Гистологиялық суреттерді сегменттеу және жіктеу - графикалық талдау мен машиналық оқыту әдістерін қолдану. Графика, өрнектер мен суреттер бойынша 23 -ші SIBGRAPI конференциясы, 331–338 беттер

Чжан М, Ву Т, Беннетт КМ (2015) Оңтайлы масштабтағы аймақтық мүмкіндіктерді пайдалана отырып, медициналық кескіндердегі шағын бөртпелерді анықтау. IEEE Trans Biomed Eng 62 (4): 1051-1062

Чжоу З.Х. (2004) Көп инстанциялы оқыту: сауалнама. Техникалық есеп, AI зертханасы, Информатика және технологиялар бөлімі, Нанкин университеті, Нанкин, Қытай


Бейнені қараңыз: ӨҢЕШ ПЕН АСҚАЗАН ҚАТЕРЛІ ІСІГІ КӨБЕЙГЕН (Ақпан 2023).