Publikace detail

Multipatch-GLCM for Texture Feature Extraction on Classification of the Colon Histopathology Images using Deep Neural Network with GPU Acceleration

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: Journal of Computer Science

Strana od-do: 280-294

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Multipatch-GLCM algoritmus pro extrakci texturpro klasifikaci histopatologických obrazů tlustého střeva pomocí hlubokých neuronových sítí s GPU akcelerací	Rakovina je jednou z hlavních příčin úmrtí na světě. To je hlavní důvod, proč se řada výzkumníků věnuje této oblasti. Snímky hematoxylinu a eosinu (H&E) jsou nejběžnější způsoby používané patologem pro detekci rakoviny. Stav rakoviny pomocí histopatologických obrazů lze klasifikovat na základě tvaru, morfologie, intenzity a textury obrazu. Klasifikace histopatologických obrazů v plném rozlišení je časově náročná operace (z hlediska zpracování dat), a to z důvodu extrakce všech informací. Tato studie navrhla pokročilou extrakci textur metodou více-patchových obrazových pixelů. Metoda GLCM je poté aplikována na DNN a porovnána s jinými klasifikačními technikami na dvou výkonných grafických akcelerátorech NVIDIA GPU GTX-980 a TESLA K40c.
eng	Multipatch-GLCM for Texture Feature Extraction on Classification of the Colon Histopathology Images using Deep Neural Network with GPU Acceleration	Cancer is one of the leading causes of death in the world. It is the main reason why research in this field becomes challenging. Not only for the pathologist but also from the view of a computer scientist. Hematoxylin and Eosin (H&E) images are the most common modalities used by the pathologist for cancer detection. The status of cancer with histopathology images can be classified based on the shape, morphology, intensity, and texture of the image. The use of full high-resolution histopathology images will take a longer time for the extraction of all information due to the huge amount of data. This study proposed advance texture extraction by multi-patch images pixel method with sliding windows that minimize loss of information in each pixel patch. We use texture feature Gray Level Co-Occurrence Matrix (GLCM) with a mean-shift filter as the data pre-processing of the images. The mean-shift filter is a low-pass filter technique that considers the surrounding pixels of the images. The proposed GLCM method is then trained using Deep Neural Networks (DNN) and compared to other classification techniques for benchmarking. For training, we use two hardware: NVIDIA GPU GTX-980 and TESLA K40c. According to the study, Deep Neural Network outperforms other classifiers with the highest accuracy and deviation standard 96.72±0.48 for four cross-validations. The additional information is that training using Theano framework is faster than Tensorflow for both in GTX-980 and Tesla K40c.	GLCM, Histopathology, Deep Neural Network, Multipatch

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte