Verbesserte Segmentierung von Zellkernen mithilfe von UNET-Architekturen für eine verbesserte Pathologie-Bildgebung

Die medizinische Bildgebung ist entscheidend für die Pathologiediagnose und -behandlung, verbessert die Entscheidungsfindung und reduziert Kosten. Trotz verschiedener vorgeschlagener rechnerischer Methoden zur Verbesserung der Bildgebungsmodalitäten ist jedoch eine weitere Optimierung erforderlich, um eine breitere Akzeptanz zu erreichen. Diese Studie untersucht Deep-Learning (DL)-Methoden zur Klassifizierung und Segmentierung pathologischer Bilddaten und optimiert Modelle, um Vorhersagen genau zu treffen und von den Trainingsdaten auf neue Daten zu generalisieren. Verschiedene CNN- und U-Net-Architekturen werden für Segmentierungsaufgaben implementiert, wobei ihre Leistung an histologischen Bilddatensätzen mithilfe verbesserter Vorverarbeitungstechniken wie Größenanpassung, Normalisierung und Datenaugmentation bewertet wird. Diese werden trainiert, parametrisiert und optimiert unter Verwendung von Metriken wie Genauigkeit, dem DICE-Koeffizienten und Schnittmenge über Vereinigung (IoU). Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode die Effizienz der Zellsegmentierung im Vergleich zu Netzwerken wie U-NET und W-UNET verbessert. Die Ergebnisse zeigen, dass die vorgeschlagene Vorverarbeitung die IoU von 0,9077 auf 0,9675 verbessert hat, was etwa 7 % bessere Ergebnisse liefert; auch die Werte des erhaltenen DICE-Koeffizienten verbesserten sich von 0,9215 auf 0,9916, was etwa 7 % bessere Ergebnisse erreicht und die in der Literatur berichteten Ergebnisse übertrifft.