Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Heliyon 7 (2021) e06331

Daftar isi tersedia diSainsLangsung

Heliyon
beranda jurnal:www.cell.com/heliyon

Artikel Penelitian

Konversi pewarnaan timbal balik antara Giemsa dan Papanicolaou dalam gambar sitologi
menggunakan jaringan permusuhan generatif siklus

Atsushi Teramotosebuah,*, Ayumi Yamadasebuah, Tetsuya Tsukamotob, Yuka Kiriyamab, Eiko Sakuraib,
Kazuya Shiogamac, Ayano Michibasebuah, Kazuyoshi Imaizumib, Kuniaki Saitosebuah, Hiroshi Fujitad
sebuahSekolah Pascasarjana Ilmu Kesehatan, Universitas Kesehatan Fujita, Aichi, Jepang
bFakultas Kedokteran, Universitas Kesehatan Fujita, Aichi, Jepang
cFakultas Teknologi Medis, Sekolah Ilmu Kedokteran, Universitas Kesehatan Fujita, Aichi, Jepang
dFakultas Teknik, Universitas Gifu, Gifu, Jepang

INFO ARTIKEL ABSTRAK

Kata kunci: Objektif:Pewarnaan Papanicolaou dan Giemsa yang digunakan dalam sitologi memiliki karakteristik dan peran yang saling melengkapi.
noda Giemsa Dalam penelitian ini, kami fokus pada jaringan permusuhan generatif siklus-konsisten (CycleGAN), yang merupakan teknik terjemahan
Pewarnaan papanicolaou
gambar menggunakan pembelajaran mendalam, dan kami melakukan konversi pewarnaan timbal balik antara Giemsa dan Papanicolaou
Terjemahan
dalam gambar sitologi menggunakan CycleGAN.
Jaringan permusuhan generatif yang konsisten dengan siklus
Metode:Sebanyak 191 gambar diwarnai Giemsa dan 209 gambar diwarnai Papanicolaou dikumpulkan dari 63 pasien
Pembelajaran mendalam
dengan kanker paru-paru. Dari gambar tersebut, 67 gambar dari sembilan kasus digunakan untuk pengujian dan
gambar sisanya digunakan untuk pelatihan. Untuk augmentasi data, jumlah gambar pelatihan ditingkatkan dengan
rotasi dan inversi, dan gambar disalurkan ke CycleGAN untuk melatih proses konversi timbal balik yang melibatkan
gambar bernoda Giemsa dan Papanicolaou. Tiga ahli patologi dan tiga ahli sitoteknologi melakukan evaluasi visual
dari keaslian inti sel, sitoplasma, dan tata letak sel dari gambar uji yang diterjemahkan menggunakan CycleGAN.

Hasil:Sebagai hasil dari konversi gambar pewarnaan Giemsa menjadi gambar pewarnaan Papanicolaou, pola sel darah merah
latar belakang yang ada pada gambar pewarnaan Giemsa menghilang, dan pola sel yang mereproduksi bentuk dan
pewarnaan inti sel dan sitoplasma yang khas pada pewarnaan Papanicolaou diperoleh . Mengenai hasil terjemahan terbalik,
inti menjadi lebih besar, dan sel darah merah yang tidak terlihat pada gambar yang diwarnai Papanicolaou muncul. Setelah
evaluasi visual, meskipun gambar sebenarnya menunjukkan hasil yang lebih baik daripada gambar yang dikonversi, hasilnya
menjanjikan untuk berbagai aplikasi.
Diskusi:Teknik penerjemahan noda yang diselidiki dalam makalah ini dapat melengkapi spesimen dalam kondisi di
mana hanya spesimen bernoda tunggal yang tersedia; itu juga memiliki aplikasi potensial dalam pelatihan besar-
besaran sistem kecerdasan buatan untuk klasifikasi sel, dan juga dapat digunakan untuk pelatihan cytotechnologist
dan patolog.

1. Perkenalan
Sitologi, yang memungkinkan evaluasi struktur inti, sifat sitoplasma, dan
tata letak sel yang diambil dari organisme hidup, memainkan peran penting
dalam diagnosis patologis. Di antara metode pewarnaan yang digunakan
dalam sitologi, pewarnaan Papanicolaou dan Giemsa adalah teknik
pewarnaan utama.
Pewarnaan Papanicolaou adalah metode pewarnaan multikromatik umum untuk
sitologi, yang memungkinkan sel diwarnai dengan tiga pewarna berbeda melalui
fiksasi basah [1]. Hal ini dimungkinkan untuk mengamati agregasi sel dan
untuk membuat pengamatan rinci struktur kromatin. Namun, proses
pewarnaan ini rumit dan seringkali sulit untuk beradaptasi dengan situasi di
mana persiapan spesimen yang cepat diperlukan.
Sebaliknya, pewarnaan Giemsa adalah metode pewarnaan sel dengan dua
jenis pewarna biru.2]. Spesimen dapat disiapkan dalam waktu singkat dengan
beberapa langkah pewarnaan. Selain itu, ia memiliki sifat fiksasi yang baik, yang
memungkinkan pembuatan spesimen bahkan ketika hanya sejumlah kecil sel yang
dapat dikumpulkan. Ini digunakan untuk diagnosis cepat dan

* Penulis yang sesuai.

Alamat email:teramoto@fujita-hu.ac.jp (A.Teramoto).

https://doi.org/10.1016/j.heliyon.2021.e06331
Diterima 15 September 2020; Diterima dalam bentuk revisi 3 Januari 2021; Diterima 17 Februari 2021
2405-8440/©2021 Penulis. Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY (http://creativecommons.org/licenses/by/4.0/).
A.Teramoto dkk.
diferensiasi sel jinak dan ganas. Namun, tidak mungkin untuk menyiapkan
spesimen dari sampel cair pada saat biopsi karena metode kering. Selain itu,
dibandingkan dengan pewarnaan Papanicolaou, pewarnaan ini kurang tepat
untuk menggambarkan struktur inti dan sitoplasma, sehingga sulit untuk
membedakan jenis jaringan.
Karena trade-off antara dua metode pewarnaan, seperti yang dijelaskan di
atas, diinginkan untuk menggunakan keduanya untuk membuat diagnosis.
Namun, seringkali sulit untuk menyiapkan kedua pewarna karena keterbatasan
yang disebabkan oleh metode pengumpulan sel.
Di sini, jika gambar dari satu spesimen yang diwarnai dapat dikonversi
ke jenis gambar lain, itu dapat digunakan untuk diagnosis dan tujuan lain.
Oleh karena itu, kami fokus pada teknik transformasi domain, yang
merupakan salah satu teknik pembelajaran mendalam [3,4,5,6,7,8,9,10,11].
Ini adalah metode mengubah gambar dari satu kategori menjadi jenis gambar
lain, dan telah diusulkan untuk mengubah gaya foto atau lukisan, atau
menggambar ulang objek dalam gambar, menjadi jenis objek lain. Dalam
penelitian ini, kami fokus pada jaringan permusuhan generatif siklus-konsisten
(CycleGAN), teknik transformasi domain [10]. Mengenai aplikasi medis, Jelmer et
al. berhasil mengubah gambar resonansi magnetik menjadi gambar computed
tomography (CT) dengan CycleGAN [11]. Jika memungkinkan untuk mengubah
gambar pewarnaan Papanicolaou dan Giemsa menjadi satu sama lain,
dimungkinkan untuk menghasilkan gambar pewarnaan alternatif, bahkan ketika
hanya satu dari mereka yang dapat disiapkan, dan teknologi ini dapat diterapkan
dalam praktik klinis. Sejauh pengetahuan kami, tidak ada penelitian yang
dilaporkan sampai saat ini tentang konversi pewarnaan Giemsa dan Papanicolaou
menggunakan pembelajaran mendalam.
Kontribusi utama dari penelitian ini adalah untuk mengusulkan metode untuk
konversi timbal balik dari gambar yang diwarnai Papanicolaou dan Giemsa
menggunakan CycleGAN, teknik transformasi domain, dan untuk mendiskusikan
penerapannya untuk diagnosis berdasarkan evaluasi subjektif oleh para ahli.
2. Bahan-bahan dan metode-metode
2.1. Kumpulan data gambar
Sampel sel paru dari 63 pasien dengan kanker paru dikumpulkan
dengan sitologi intervensi menggunakan bronkoskopi atau sitologi
aspirasi jarum halus yang dipandu CT dan terdiri dari 43 kasus
adenokarsinoma dan 20 kasus karsinoma sel skuamosa menurut
diagnosis gabungan histopatologi dan imunohistokimia. Prosedur
persiapan gambar untuk penelitian ini ditunjukkan pada:Gambar 1.
Mengenai spesimen untuk pewarnaan Papanicolaou, kami menerapkan sitologi
berbasis cairan menggunakan BD SurePath™Tes Pap berbasis cairan (Beckton
noda Giemsa
spesimen
Pewarnaan papanicolaou
spesimen
Gambar digital
Gambar 1.Pemangkasan dan pembesaran gambar.
2
Heliyon 7 (2021) e06331
Dickinson, Franklin Lakes, NJ, USA), dengan pewarnaan berdasarkan metode
Papanicolaou. Menggunakan kamera foto digital (DP70, Olympus, Tokyo,
Jepang) yang dipasang pada mikroskop (BX51, Olympus) dengan lensa
objektif - 40, 142 gambar adenokarsinoma, dan 67 gambar karsinoma sel
skuamosa dikumpulkan dalam format JPEG. Ukuran matriks awal setiap
gambar JPEG adalah 2040 - 1536 piksel. Selanjutnya, 768 - 768 piksel gambar
persegi dihasilkan melalui pemotongan, dan selanjutnya diubah ukurannya
menjadi 256 - 256 piksel.
Spesimen disiapkan menggunakan metode pewarnaan Giemsa menggunakan
spesimen gores kuas pada saat bronkoskopi. Menggunakan kamera foto digital
(Axiocam 506 color, Carl Zeiss, Jena, German) yang dipasang pada mikroskop (Axio
Imager A1, Carl Zeiss) dengan lensa objektif - 40, 146 gambar adenokarsinoma,
dan 45 gambar karsinoma sel skuamosa diperoleh dalam format JPEG. Ukuran
matriks awal setiap gambar JPEG adalah 2752 - 2208 piksel. Selanjutnya, 706 - 706
piksel gambar persegi (bidang pandang yang sama dengan gambar Papanicolaou)
dihasilkan melalui pemotongan dan selanjutnya diubah ukurannya menjadi 256 -
256 piksel. Masukan resolusi gambar akhir ke CycleGAN adalah 3,2 m per piksel.
Dari gambar tersebut, 5 kasus (45 gambar) adenokarsinoma dan 4 kasus
(22 gambar) karsinoma sel skuamosa digunakan untuk pengujian dan
gambar yang tersisa digunakan untuk pelatihan.
Pelatihan CycleGAN membutuhkan data dalam jumlah besar, karena
kumpulan data kecil dapat menyebabkan keruntuhan mode [12]. Untuk mencegah
overfitting, kami menambah dataset pelatihan menggunakan pemrosesan
gambar. Gambar mikroskopis adalah arah invarian, dan ketajaman sel target di
setiap gambar bervariasi sesuai dengan posisi bidang fokus mikroskop. Oleh
karena itu, kami melakukan augmentasi data melalui memutar, membalik,
menghaluskan, dan mempertajam gambar asli [7].
Studi ini disetujui oleh dewan peninjau institusional (Fujita Health
University), dan persetujuan pasien diperoleh dengan syarat bahwa
semua data dianonimkan (nomor HM16-155).
2.2. Arsitektur CycleGAN
Arsitektur CycleGAN yang digunakan untuk terjemahan gambar dalam
penelitian ini ditunjukkan padaGambar 2. Arsitektur CycleGAN terdiri dari dua
siklus - siklus maju dan siklus mundur. Dalam siklus maju, jaringan sintesis, SYNP,
dilatih untuk menerjemahkan gambar bernoda Giemsa yang diberikan IGmenjadi
gambar bernoda Papanicolaou; jaringan SYNGdilatih untuk menerjemahkan
gambar diwarnai Papanicolaou yang dihasilkan kembali menjadi gambar diwarnai
Giemsa yang menggambar ulang gambar diwarnai Giemsa asli. DISPmembedakan
antara gambar dicat Papanicolaou yang nyata dan yang disintesis; itu dilatih untuk
secara akurat mengklasifikasikan gambar dicat Papanicolaou nyata dan disintesis.
…
…
Menambal gambar Gambar yang diperbesar
A.Teramoto dkk. Heliyon 7 (2021) e06331

Siklus maju (Giemsa ke Papanicolaou)

Papanicolaou nyata
gambar noda

Giemsa asli
gambar noda (IG)

SYNP Nyata

DISP atau
Membandingkan
Palsu
SYNG
SYNP(SAYAG)

SYNG(SYNP(SAYAG))

Siklus mundur (Papanicolaou ke Giemsa)

Giemsa asli
gambar noda
Papanicolaou nyata
gambar noda (IP)

Nyata SYNG
atau DISG Membandingkan

Palsu
SYNP
SYNG(SAYAP)

SYNP(SYNG(SAYAP))

Gambar 2.Siklus arsitektur GAN.

Demikian pula, dalam siklus mundur, SYNGmensintesis gambar pewarnaan Giemsa
dari gambar pewarnaan Papanicolaou yang diberikan; SYNPmerekonstruksi gambar
Papanicolaou dari gambar pewarnaan Giemsa yang disintesis, dan DISGmembedakan
antara gambar bernoda Giemsa yang nyata dan yang disintesis.
Untuk menegakkan terjemahan dua arah, gambar yang direkonstruksi dari SYN-
G(SYNP(SAYAG))dan SYNP(SYNG(SAYAP)) dibandingkan dengan gambar nyata
diwarnai Giemsa dan gambar nyata Papanicolaou, masing-masing.
Adapun implementasi CycleGAN untuk penelitian ini, kami
memperkenalkan kode Python menggunakan TensorFlow oleh Xiaowei Hu [
13]. Adapun arsitektur SYNGdan SYNP, ResNet memiliki sembilan blok sisa [
14] digunakan, dan Patch GAN [15] digunakan untuk DISGdan DISP. Prosedur
untuk menentukan parameter CycleGAN adalah sebagai berikut. Setelah
setiap periode pelatihan, gambar yang dihasilkan dipantau untuk melihat
apakah ada kelainan seperti inversi nilai piksel atau artefak. Umumnya,

Gambar 3.Perangkat lunak asli untuk evaluasi visual.

3
A.Teramoto dkk. Heliyon 7 (2021) e06331

5.0 0.8 5.0

4,5 0,7 4,5
4.0 4.0
0.6
3.5 3.5

Kehilangan konsistensi siklus

0,5

Kerugian diskriminator
3.0 3.0
Kehilangan generator

2.5 0.4 2.5

2.0 2.0
0,3
1.5 1.5
0.2
1.0 1.0
0,5 0.1 0,5
0,0 0,0 0,0
0 50 100 150 200 0 50 100 150 200 0 50 100 150 200
Masa Masa Masa

(a) Rugi generator (b) Kerugian diskriminator (c) Kehilangan konsistensi siklus

Gambar 4.Generator, diskriminator, dan kurva kehilangan konsistensi siklus. Garis abu-abu adalah data mentah dan garis hitam adalah data yang dihaluskan.

masalah ini diselesaikan karena jumlah zaman pelatihan meningkat. Namun, jika proses pelatihan dilakukan sambil memastikan stabilitas generasi.
output gambar abnormal tetap ada bahkan dengan pelatihan lebih lanjut, kami
mengubah koefisien pelatihan dan menjalankan proses pelatihan lagi. Sebagai
hasilnya, kami menetapkan jumlah epoch pelatihan sebagai 200, kecepatan 2.3. Evaluasi
pembelajaran sebagai 0,0002, dan beta sebagai 0,5 untuk algoritma optimasi
Adam [16]. Program Python yang dikembangkan menggunakan Keras dan Evaluasi visual dari gambar yang dikonversi oleh CycleGAN dilakukan. Di
TensorFlow dijalankan pada komputer yang dilengkapi dengan AMD Ryzen 9 antara kumpulan data gambar, sembilan kasus di mana pewarnaan Giemsa
3900X sebagai CPU dan NVIDIA TITAN RTX sebagai GPU. Selama pelatihan dan Papanicolaou tersedia digunakan untuk evaluasi. Ini terdiri dari 33
CycleGAN, kualitas gambar dari gambar yang dihasilkan diperiksa, dan gambar pewarnaan Giemsa dan 34 gambar pewarnaan Papanicolaou.

Nyata Giemsa Papanicolaou Nyata

Giemsa ke Papanicolaou ke Giemsa Papanicolaou
Gambar 5.Gambar aktual dan terjemahan untuk spesimen adenokarsinoma.

4
A.Teramoto dkk.
Evaluasi visual kualitas gambar dilakukan oleh tiga ahli patologi
(spesialis sitologi) dan tiga ahli sitoteknologi. Kualitas gambar
dievaluasi dari 0 hingga 100 poin untuk keaslian inti sel (bentuk luar inti
sel, kromatin, keadaan nukleolus), sitoplasma, dan tata letak sel.
Seperti yang ditunjukkan padaGambar 3, kami mengembangkan dan
menggunakan perangkat lunak evaluasi asli, yang menampilkan
gambar nyata dan gambar yang dikonversi secara acak untuk evaluasi
visual. Evaluasi di atas dilakukan dengan menggunakan Microsoft
Surface GO. Kondisi tampilan monitor PC distandarisasi dan yang sama
digunakan untuk evaluasi.
Selain itu, untuk membuat pertimbangan umum dari gambar yang
diterjemahkan, komentar evaluasi mengenai kualitas gambar secara keseluruhan
dikumpulkan dari pengamat setelah evaluasi visual yang disebutkan di atas.
3. Hasil
Kerugian di CycleGAN termasuk kehilangan generator, kehilangan diskriminator, dan
kehilangan konsistensi siklus. Kurva ini dalam fase pelatihan ditunjukkan pada: Gambar 4
. Ketika gambar pewarnaan Papanicolaou diubah menjadi gambar pewarnaan
Hasil terjemahan timbal balik gambar dari spesimen adenokarsinoma
dan karsinoma sel skuamosa yang diwarnai Giemsa dan Papanicolaou
ditunjukkan pada Gambar5dan6, masing-masing. Hasil penilaian visual
kualitas citra oleh enam pengamat diplot pada diagram box whisker, seperti
terlihat pada gambarGambar 7.
Nyata Giemsa
Giemsa ke Papanicolaou
Gambar 6.Gambar aktual dan terjemahan untuk spesimen karsinoma sel skuamosa.
5
Heliyon 7 (2021) e06331
Siswa Tidak Berpasangant-juga dilakukan pengujian terhadap hasil
evaluasi kualitas citra citra asli dan citra terjemahan untuk keenam
pengamat, dan hasil p-value <0,001, menegaskan bahwa terdapat
perbedaan skor yang signifikan antara citra asli dan hasil terjemahan.
Selanjutnya, jumlah hasil evaluasi dari tiga item yang dievaluasi oleh
enam pengamat dihitung untuk setiap gambar, dan tiga gambar terbaik dan
terburuk ditampilkan padaAngka 8.
4. Diskusi
Adapun gambar diwarnai Papanicolaou diterjemahkan ke gambar
diwarnai Giemsa, representasi setia inti sel biru dan sitoplasma hijau muda
diperoleh. Selain itu, eritrosit dihilangkan, dan nukleolus dan kromatin yang
biasanya sulit divisualisasikan menggunakan pewarnaan Giemsa muncul.
Dalam banyak kasus, inti yang tidak fokus muncul dalam gambar
pewarnaan Papanicolaou yang diterjemahkan di daerah sitoplasma pada
gambar pewarnaan Giemsa.
Giem, inti dan sitoplasma diubah menjadi ungu, dan banyak pola sel darah merah
muncul yang tidak termasuk dalam gambar pewarnaan Papanicolaou. Pewarnaan
Giemsa cenderung membuat inti sel lebih tipis dan lebih menyebar karena sel
dikeringkan untuk mempersiapkan spesimen. Inti dalam gambar pewarnaan
Giemsa yang diterjemahkan berukuran besar,
Papanicolaou Nyata
ke Giemsa Papanicolaou
A.Teramoto dkk. Heliyon 7 (2021) e06331

(a) Nukleus

(b) Sitoplasma

(c) Tata letak sel

Gambar 7.Plot kotak hasil evaluasi visual (Kiri: Giemsa ke Papanicolaou, Kanan: Papanicolaou ke Giemsa).

dan fitur ini direproduksi. Selain itu, pada spesimen pewarnaan Papanicolaou,
terdapat campuran sel fokus dan sel tidak fokus, karena spesimen
mempertahankan struktur tiga dimensi sel. Jumlah nukleus berkurang dengan
hilangnya nukleus yang tidak fokus sebagai akibat dari menerjemahkannya ke
dalam gambar bernoda Giemsa dengan struktur tipis.
Dalam hal hasil evaluasi visual, meskipun ada beberapa variasi di antara
pengamat, skor keseluruhan untuk gambar nyata lebih tinggi daripada gambar
yang diterjemahkan, dengan perbedaan yang signifikan secara statistik (nilai P
<0,001) untuk semua item evaluasi.
Namun, ada tumpang tindih antara skor untuk kelompok nyata dan yang
diterjemahkan, yang menunjukkan bahwa ada campuran gambar yang
ditransformasikan dengan baik dan buruk. Oleh karena itu, tiga gambar terbaik dan tiga
terburuk dengan skor keseluruhan dalam tes pengamat ditampilkan diAngka 8. Ketika
kami mewawancarai pengamat mengenai gambar-gambar ini, kami memperoleh
komentar berikut. Sedangkan untuk tiga citra terbaik, karakteristik
nukleus, sitoplasma, dan tata letak sel spesifik jenis jaringan terwakili
dengan baik. Sebaliknya, tiga gambar terburuk ditampilkan diAngka 8
(c) tidak fokus (Angka 8(c) kiri), hubungan antara inti sel dan sitoplasma
terputus, bentuk inti sel terganggu (Angka 8(c) tengah dan kanan), dan
artefak diamati (Angka 8(c) benar). DiAngka 8(d), sel-sel keratin
(berwarna oranye dengan pewarnaan Papanicolaou) tidak dikonversi
dengan benar (Angka 8(b) tengah), margin sitoplasma tidak alami (
Angka 8(b) kiri), dan keadaan intracytoplasmic tidak jelas (Angka 8
(cerah). Ini mungkin ditingkatkan dengan menggunakan lebih banyak
gambar untuk melatih CycleGAN.
Teknik translasi noda yang diselidiki dalam makalah ini dapat melengkapi
spesimen dalam kondisi di mana hanya spesimen bernoda tunggal yang tersedia.
Ini juga memiliki aplikasi potensial dalam pelatihan besar-besaran

6
A.Teramoto dkk. Heliyon 7 (2021) e06331

(a) 3 gambar Papanicolaou hingga Giemsa teratas

(b) 3 Papanicolaou to Giemsa gambar terburuk

(c) 3 gambar teratas Giemsa hingga Papanicolaou

(d) 3 gambar Giemsa ke Papanicolaou terburuk

Angka 8.Terbaik-tiga dan terburuk-tiga gambar yang diterjemahkan.

kecerdasan buatan untuk klasifikasi sel, dan pendidikan
cytotechnologists dan ahli patologi.
Dalam penelitian ini, kami memperkenalkan metode untuk mengubah pewarnaan
spesimen sitologi paru dan memeriksa kemungkinan penerapannya pada diagnosis.
Dalam sitologi, sel-sel yang dikumpulkan dengan biopsi diwarnai pada kaca, dan
pewarnaan yang berbeda tidak dapat diterapkan pada sel yang sama. Di sini, kami fokus
pada CycleGAN sebagai teknik transformasi gambar menggunakan gambar yang tidak
berpasangan. Dalam studi masa depan, kami bertujuan untuk memasukkan model baru
ke dalam penelitian kami dan menyelidiki apakah mereka dapat menghasilkan gambar
yang lebih ditingkatkan.
Dalam metode ini, kami menggunakan augmentasi data untuk mencegah over
fitting dan mode collapse. Namun, efek dari augmentasi data
sering terbatas [8]. Pekerjaan di masa depan termasuk mengumpulkan
banyak gambar tambahan untuk meningkatkan kemampuan representasi
gambar dari gambar yang diubah. Selain itu, perlu menggunakan metode
pembelajaran mendalam untuk diferensiasi sel dan klasifikasi tipe jaringan.
5. Kesimpulan
Dalam penelitian ini, kami mengembangkan teknik konversi timbal balik yang
melibatkan gambar pewarnaan Giemsa dan Papanicolaou menggunakan CycleGAN. Hasil
eksperimen menunjukkan bahwa teknik terjemahan noda yang diusulkan mungkin
berguna untuk diagnosis, kecerdasan buatan, dan pendidikan.

7
A.Teramoto dkk.
Deklarasi
Pernyataan kontribusi penulis
A. Teramoto: Menyusun dan merancang eksperimen; dilakukan
percobaan; Menganalisis dan menafsirkan data; Menulis kertas.
A. Yamada, K. Imaizumi: Kontribusi reagen, bahan, analisis
alat atau data; Menulis kertas.
T. Tsukamoto: Merancang dan merancang eksperimen; dilakukan
percobaan; Menulis kertas.
Y. Kiriyama, E. Sakurai, K. Shiogama, A. Michiba: Melakukan
eksperimen; Reagen, bahan, alat analisis atau data yang dikontribusikan.
K. Saito, H. Fujita: Merancang dan merancang eksperimen; menulis
kertas.
Pernyataan pendanaan
Penelitian ini sebagian didukung oleh Hibah Bantuan untuk penelitian
ilmiah (No. 20K08060) dari Kementerian Pendidikan, Kebudayaan, Olahraga,
Sains dan Teknologi, Jepang. Tidak ada tambahan dana eksternal yang
diterima untuk penelitian ini.
Pernyataan ketersediaan data
Data akan tersedia berdasarkan permintaan.
Pernyataan pernyataan kepentingan
Para penulis menyatakan tidak ada konflik kepentingan.
Informasi tambahan
Tidak ada informasi tambahan yang tersedia untuk makalah ini.
Heliyon 7 (2021) e06331
Referensi
[1]GN Papanicolaou, Prosedur baru untuk pewarnaan apusan vagina, Science 95 (2469) (1942)
438–439.
[2]JJ Barcia, Pewarnaan Giemsa: sejarah dan aplikasinya, Int. J. Surg. Patol. 15 (3) (2007)
292–296.
[3]Y. LeCun, Y. Bengio, G. Hinton, Pembelajaran mendalam, Alam 521 (7553) (2015) 436–444.
[4]A. Krizhevsky, I. Sutskever, GE Hinton, klasifikasi ImageNet dengan jaringan
saraf convolutional yang dalam, Commun. ACM 60 (6) (2017) 84–90.
[5]K. Yan, X. Wang, L. Lu, RM Summers, DeepLesion: penambangan otomatis anotasi lesi skala
besar dan deteksi lesi universal dengan pembelajaran mendalam, J. Med. gambar
5 (3) (2018) 36501.
[6]H. Fujita, diagnosis berbantuan komputer berbasis AI (AI-CAD): ulasan terbaru untuk dibaca terlebih
dahulu, Radiol. fisik. teknologi. 13 (1) (2020) 6–19.
[7]A. Teramoto, T. Tsukamoto, A. Yamada, Y. Kiriyama, K. Imaizumi, K. Saito, et al., Pendekatan
pembelajaran mendalam untuk klasifikasi gambar sitologi paru: pelatihan dua langkah
menggunakan gambar aktual dan sintesis dengan pertumbuhan progresif jaringan
permusuhan generatif, PloS One 15 (3) (2020), e0229951.
[8]TD Pham, Sebuah studi komprehensif tentang klasifikasi COVID-19 pada computed tomography
dengan jaringan saraf convolutional yang telah dilatih sebelumnya, Sci. Rep. 10 (2020) 16942.
[9]TD Pham, Klasifikasi rontgen dada COVID-19 dengan pembelajaran mendalam: model baru atau fine
tuning? Informasi Kesehatan Sci. Sistem 9 (2001) 2.
[10]J. Zhu, T. Park, P. Isola, AA Efros, Terjemahan gambar-ke-gambar yang tidak berpasangan
menggunakan jaringan permusuhan siklus-konsisten, dalam: 2017 IEEE International Conference
on Computer Vision (ICCV), 2017, hlm. 2242–2251.
[11]JM Wolterink, AM Dinkla, MHF Savenije, PR Seevinck, CAT van den Berg,
I. I-sgum, Sintesis MR dalam ke CT menggunakan data tidak berpasangan, Lect. Komputasi Catatan. Sci.
10557 (2017) 14–23.
[12] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, dkk., jaring
permusuhan generatif, dalam: Z. Ghahramani, M. Welling, C .cortes,
ND Lawrence, KQ Weinberger (Eds.), Kemajuan dalam Sistem Pemrosesan
Informasi Saraf 27 [Internet], Curran Associates, Inc., 2014, hlm. 2672–2680.
Tersedia dari:http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf.
[13] X. Hu, implementasi Tensorflow untuk mempelajari terjemahan gambar-ke-gambar tanpa
pasangan input-output, repositori GitHub (2017), Tersedia dari:https://gith ub.com/
xhujoy/CycleGAN-tensorflow.
[14]K. He, X. Zhang, S. Ren, J. Sun, Deep residual learning untuk pengenalan gambar,
dalam: Prosiding IEEE Computer Society Conference on Computer Vision and
Pattern Recognition, 2016, 2016-Decem, hlm. 770–778.
[15]P. Isola, JY Zhu, T. Zhou, AA Efros, Terjemahan gambar-ke-gambar dengan jaringan
permusuhan bersyarat, dalam: Prosiding 2017 - Konferensi IEEE ke-30 tentang Visi
Komputer dan Pengenalan Pola, CVPR, 2017, hlm. 5967–5976.
[16]DP Kingma, JL Ba, Adam: metode untuk optimasi stokastik, dalam: 3rd Int Conf Learn
Represent ICLR 2015 - Conf Track Proc, 2015, hlm. 1–15.