YNet

Y-Net: Segmentasi dan Klasifikasi Sendi untuk Diagnosis Gambar Biopsi Payudara

Repositori ini berisi kode sumber makalah kami, YNet, yang diterima untuk dipublikasikan di MICCAI'18.

Contoh keluaran Y-Net

Y-Net mengidentifikasi jaringan yang diklasifikasikan dengan benar yang tidak penting untuk diagnosis. Misalnya, stroma diidentifikasi sebagai jaringan penting, namun darah tidak. Stroma adalah label jaringan yang penting untuk mendiagnosis kanker payudara [1] dan menghilangkan informasi tentang stroma menurunkan akurasi klasifikasi diagnostik sekitar 4%. Lihat kertas untuk lebih jelasnya.

[1] Beck, Andrew H., dkk. "Analisis sistematis morfologi kanker payudara mengungkap fitur stroma yang terkait dengan kelangsungan hidup." Ilmu kedokteran translasi 3.108 (2011): 108ra113-108ra113.

Beberapa hasil segmentasi (Kiri: RGB WSI, Tengah: Ground truth, Kanan: Prediksi oleh Y-Net)

Struktur repositori ini

YNet dilatih dalam dua tahap:

• stage1 Direktori ini berisi kode sumber untuk pelatihan tahap 1 di Y-Net. Tahap 1 tidak lain hanyalah cabang segmentasi.
• stage2 Direktori ini berisi kode sumber untuk pelatihan tahap 2 di Y-Net. Tahap 2 yaitu pembelajaran bersama segmentasi dan klasifikasi.
• seg_eval Direktori ini berisi kode sumber untuk memproduksi masker segmentasi.

Prasyarat

Untuk menjalankan kode ini, Anda harus memiliki perpustakaan berikut:

• OpenCV - Kami menguji kode kami dengan versi 3.3.0. Jika Anda menggunakan versi lain, silakan ubah kode sumbernya.
• PyTorch - Kami menguji dengan v0.2.0_4. Jika Anda menggunakan versi lain, silakan ubah kode sumbernya.
• Python - Kami menguji kode kami dengan Python 3.6.2 (Anaconda custom 64-bit). Jika Anda menggunakan versi Python lain, silakan membuat perubahan yang diperlukan pada kode.

Kami merekomendasikan untuk menggunakan Anaconda. Kami telah menguji kode kami di Ubuntu 16.04.

Kutipan

Jika Y-Net berguna untuk penelitian Anda, silakan mengutip makalah kami.

 @inproceedings{mehta2018ynet,
  title={{Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images}},
  author={Sachin Mehta and Ezgi Mercan and Jamen Bartlett and Donald Weaver and Joann  Elmore and Linda Shapiro},
  booktitle={International Conference on Medical image computing and computer-assisted intervention},
  year={2018},
  organization={Springer}
}

@article{mehta2018espnet,
  title={ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation},
  author={Sachin Mehta, Mohammad Rastegari, Anat Caspi, Linda Shapiro, and Hannaneh Hajishirzi},
  journal={European Conference in Computer Vision (ECCV)},
  year={2018}
}

Lisensi

Kode ini dirilis di bawah persyaratan lisensi yang sama dengan ESPNet.