基于深度学习的组织病理图像分析(共2页).doc

精选优质文档-倾情为你奉上基于深度学习的组织病理图像分析乳腺癌是女性最常见的一种癌症,通常以病理诊断作为最终的确诊方式。有丝分裂细胞计数是评估乳腺癌的标准之一,目前已有不少借助计算机进行图像计算辅助诊断的有丝分裂自动检测算法。有丝分裂检测的难点在于有丝分裂四个阶段细胞形态不一,并且与正常状态下的细胞形态相近。为了提高检测的准确率和召回率,本文研究了两种基于深度学习的级联检测算法:(1)基于分类网络的级联检测算法,该算法通过搭建残差网络自动提取图像特征训练分类器。第一步针对有丝分裂细胞区域和其他区域的特征训练分类器,搭配滑动窗检测整幅图像定位候选目标。第二步针对有丝分裂细胞和正常细胞的特征训练分类器,对候选目标二次筛选,通过形态学数据后处理得出最终检测结果。该算法不足之处在于图像尺寸过大,滑动窗检测十分耗时,因此本文进一步研究第二种基于分割和分类的级联检测算法。(2)基于分割和分类的级联检测算法通过搭建编码-解码架构的分割网络,编码部分自动学习图像特征,解码部分上采样恢复图像尺寸,实现像素级别的分类。第一步训练分割模型自动分割待测图像,定位候选目标区域。分割结果往往能保证目标区域连通性,因此第二步通过分类器对候选目标连通域的部分像素点二次判断,超过设定比例判为有丝分裂则保留该连通域作为有丝分裂细胞,由此直接得出检测结果。本文在ICPR 2012和2014有丝分裂自动检测比赛数据集上验证上述级联检测算法的检测效果,评估指标包括准确率、召回率和F-score。基于分类网络的级联检测算法在ICPR 2012数据集上Fscore达到0.789,在ICPR 2014数据集上F-score达到0.613,基于分割和分类的级联检测算法在ICPR2014数据集上F-score达到0.612。本文使用的级联检测算法对比其他现有算法检测效果有所提升,同时对比本文两种级联检测算法的检测效率,第二种结合分割和分类的级联检测在保证检测精度的前提下大大提高了检测效率。专心-专注-专业