By this author

AUTOMATED METHOD FOR OPTIMUM SCALE SEARCH WHEN USING TRAINED MODELS FOR HISTOLOGICAL IMAGE ANALYSIS

Issue number 3 from 17.09.2025

Подготовка входных данных для нейронной сети является ключевым шагом для достижения высокой точности ее предсказаний. Известно, что сверточные нейронные модели обладают низкой инвариантностью к изменению масштаба входных данных. Так, обработка многомасштабных полнослайдовых гистологических изображений сверточными сетями естественным образом поднимает вопрос выбора оптимального масштаба обработки. В данной работе эта задача решается путем итеративного анализа расстояний, выдаваемых сверточным классификатором, до разделяющей гиперплоскости при различных входных масштабах. Предлагаемый метод проверен на предобученной на данных PATH-DT-MSU глубокой архитектуре DenseNet121, решающей задачу по-патчевой классификации полнослайдовых гистологических изображений.

17 0

AUGMENTING THE TRAINING SET OF HISTOLOGICAL IMAGES WITH ADVERSARIAL EXAMPLES

Issue number 3 from 17.09.2025

В работе рассматривается задача аугментации выборки гистологических изображений адверсативными атаками для повышения устойчивости нейросетевых классификаторов, обученных на аугментированной выборке, к адверсативным атакам. В последние годы нейросетевые методы стремительно развивались, новые нейросетевые методы показывают впечатляющие результаты, однако они подвергаются так называемым адверсативным атакам – то есть совершают неверные предсказания на входах, получающихся в результате наложения на изображение малого шума. Из-за этого надежность нейросетевых методов до сих пор является актуальной областью изучения. В этой статье мы представляем и сравниваем между собой различные методы аугментации обучающей выборки, позволяющие повысить устойчивость нейросетевых классификаторов гистологических изображений к адверсативным атакам. Для этого мы предлагаем добавлять в обучающую выборку адверсативные атаки, полученные несколькими актуальными методами.

16 0

Joint Super-Resolution and Tissue Patch Classification for Wholeslide Histological Images

Issue number 3 from 17.09.2025

Сегментация полнослайдовых гистологических изображений через классификацию типов ткани небольших фрагментов – чрезвычайно актуальная задача в цифровой патологии, необходимая для разработки методов автоматического анализа полнослайдовых гистологических изображений. Крайне большой размер подобных изображений также делает актуальной задачу повышения разрешения изображений, что позволяет хранить изображения в пониженном разрешении и повышать его при необходимости. Разметка таких изображений специалистами-гистологами сложна и трудоемка, поэтому важно максимально эффективно использовать имеющиеся данные, как размеченные, так и неразмеченные. В данной работе предлагается новый нейросетевой метод одновременного решения задач повышения разрешения гистологических изображений с оптического увеличения ×20 до ×40 и классификации фрагментов изображений по типам ткани на ×20 увеличении. Использование единого кодировщшика, а также предложенной схемы обучения вспомогательной и основной нейросетевых моделей позволяет достичь лучших результатов на обоих задачах по сравнению с имеющимися подходами. Для обучения и тестирования метода использовался впервые представленный в данной статье набор данных PATH-DT-MSU WSS2v2. Ha тестовой выборке было достигнуто значение точности 0.971 и сбалансированной точности 0.916 в задаче классификации на 5 типов ткани, для задачи повышения разрешения были достигнуты значения PSNR = 32.26 и SSТМ = 0.89. Исходный код предложенного метода доступен по ссылке: https:/github.com/Kukty/WSI_SR_CL.

12 0