Сравнительный анализ нейронных сетей глубокого обучения для сегментации ядер клеток на иммуногистохимических флуоресцентных изображениях раковых тканей

Анализ гистологических и иммуногистохимических изображений составляет основу диагностики многих видов раковых заболеваний. Процессу автоматизации анализа цифровых изображений, в частности сегментации ядер клеток на них, сегодня уделяется особое внимание. Благодаря отличной производительности нейронных сетей глубокого обучения и сравнительно высокому уровню достоверности получаемых результатов появляется возможность сочетать ручную и автоматизированную обработку изображений. К настоящему времени создано множество архитектур нейронных сетей для сегментации объектов на изображениях. Однако большая вариабельность изображений раковых клеток не позволяет создать универсальный алгоритм для сегментации ядер клеток на изображениях разного вида тканей, полученных с помощью различных методик. В работе проведен сравнительный анализ архитектур нейронных сетей глубокого обучения для сегментации ядер клеток на иммуногистохимических флуоресцентных изображениях срезов раковой ткани молочной железы. Установлено, что сети, основанные на архитектуре U-Net, дают стабильно хорошие результаты. Наилучшее качество сегментации продемонстрировала архитектура UNet 3+.