Dikkat mekanizmalarýnýn bölütleme mimarilerine entegrasyonu ve meme lenf düðümü görüntülerinde uygulanmasý

Motorize mikroskoplarýn yaygýnlaþmasý, hastadan alýnan dokunun otomatik taranarak tek bir büyük görsele aktarýlmasý ve bölütlemeye özel derin/çekiþmeli aðlarýn üretilmesi gibi yenilikler bölütleme probleminde uzman etiketlemesine oldukça yakýn çýktýlarý otomatik üretebilme ümidini arttýrmýþtýr. Özellikle dikkat modüllerinin klasik 3D-UNet veya GAN mimarilerine entegrasyonuyla bölütleme performanslarýnýn iyileþtirildiði bilinmektedir. Bu çalýþmada histopatolojik görüntü bölütleme probleminin çözümünde dört farklý dikkat modülü (DAF, DAF3D, DANet ve MSA) etkileri analiz edilmiþtir. DAF ve DAF3D modüllerinde tekil (SLF) ve çoklu (MLF) katman özellikleri birlikte kullanýlýrken, DANet ve MSA modüllerinde pozisyon ve kanal dikkat olmak üzere iki farklý mekanizma kullanýlmaktadýr. Yapýlan deneysel çalýþmalar sonucunda, DAF3D dikkat modülünün bölütleme doðruluðunu en yüksek seviyeye çýkardýðý (0.76 mIoU ve 0.89 PA) görülmüþtür. Ayný zamanda yaklaþýmlar arasýnda en düþük bölütleme maliyetine (1 görüntü için 0,156 saniye) sahip olan yöntem yine DAF3D olmuþtur.

Integration of attention mechanisms into segmentation architectures and their application on breast lymph node images

Innovations such as the widespread use of motorized microscopes, the automatic scanning of the tissue taken from the patient and transferring it to a single large image, and the production of deep/adversarial networks specific to segmentation have increased the hope of automatically producing outputs very close to expert labeling in the segmentation problem. Particularly, it is known that segmentation performances are improved by integrating attention modules into classical 3D-UNet or GAN architectures. In this study, the effects of four different attention modules (DAF, DAF3D, DANet and MSA) were analyzed in solving the histopathological image segmentation problem. While single (SLF) and multiple (MLF) layer features are used together in DAF and DAF3D modules, two different mechanisms, position attention module and channel attention module, are used in DANet and MSA modules. As a result of the experimental studies, it has been seen that the DAF3D attention module maximizes the segmentation accuracy (0.76 mIoU and 0.89 PA). At the same time, the method with the lowest segmentation cost (0.156 seconds for 1 image) among the approaches was again DAF3D.