基于弱监督学习的癌症病理图像分割

发布时间：2021-06-09 16:21

　　癌症病理图像的语义分割已经成为辅助医生预判病人患癌风险以及癌症等级的重要手段。随着深度学习技术在计算机视觉任务中取得的卓越成就,全卷积神经网络逐渐成为解决医学图像分割问题的首选方案。然而,这种全监督式的学习方法需要大量的数据以及人工制作的像素级标签,这通常需要花费大量的时间和成本。为了克服这种缺陷,本文研究了基于弱监督学习的癌症病理图像分割方法,仅利用图像级标签实现像素级的预测,从而极大地节省了人工制作标签的繁琐。本文首先研究了一种基于多示例学习的癌症病理图像分割算法。利用取最大值的方法将全卷积神经网络的分割结果图转换为反应输入图像是否是癌症图像的概率值,从而和输入图像的图像级标签进行交叉熵损失函数计算,通过不断降低该损失值,使网络得到训练。最终网络的分割概率图结合固定阈值便得到输入图像的分割结果。同时针对网络分割出的癌症区域面积大于实际的癌症区域面积,本文还引入了一项面积约束,有效的提升了分割效果。然而仅利用图像级标签作为监督信息对于网络训练的约束能力来说相对有限,最终的分割结果和全监督学习之间差距较大。为了更加充分的利用图像级标签,依据卷积神经网络的显著性目标区域定位能力,本文又研... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

高分辨率癌症病理图像示意图

第二章图像语义分割概述7第二章图像语义分割概述2.1引言语义分割（SemanticSegmentation）是计算机视觉领域中一项至关重要的任务，它的目的是为图像中的每一个像素点分配一个类别标签，也就是进行像素级的分类，语义分割也因此被称为密集型预测（denseprediction）。如图2-1所示，其中不同颜色的分割结果代表不同的类别。相较于图像分类和目标检测，语义分割可以为我们提供关于图像的更加细粒度的信息，使得机器对于图像内容的理解更加智能化，这也为语义分割的实现带来了巨大的困难和挑战。然而近些年来，随着深度学习技术的日益成熟，大量高效且精确的分割系统已经成功地被应用到无人驾驶、人机交互、图像搜索和增强现实等场景中，这些系统的设计大多是基于卷积神经网络(ConvolutionalNeuralNetworks,CNNS)实现的。图2-1语义分割示意图。左为原图，右为分割结果图2.2卷积神经网络卷积神经网络是一系列包含卷积操作的深层神经网络的统称，是深度学习的核心算法。20世纪90年代，LeCun等人首次发明了LeNet-5网络[56]用于手写数字识别，并取得了98%的准确率，这为以后的CNNs架构提供了基本雏形。然而由于当时计算机计算能力的薄弱以及数据量的不足，当神经网络的规模增大时，反向传播算法就会出现梯度消失的问题，这导致卷积神经网络没有获得学术界的足够重视。直到2006年，Hinton等人正式提出深度学习，并在《科学》期刊上发表论文[57]详细给出了梯度消失问题的解决办法。随后，他又带领团队参加了2012年ImageNet图像分类挑战赛，基于卷积神经网络提出了AlexNet[58]结构并获得了最高的分类准确率，其错误率远远低于第二名使用传统方法的团队。至此，深度学习开始了引领人工智能领域一波新的高潮，其在各个行业和领域，如智能翻译、智

东南大学硕士学位论文8共享，这样的特点有助于网络学习输入特征的空间信息和减少网络参数。卷积层以固定步长移动卷积核，使得卷积核与输入特征图中相应的点相乘求和得到输出的特征图。图2-2展示了步长为1的二维卷积。图2-2二维卷积示意图我们用,表示输入特征图中的第i行第j列元素，用,表示卷积核第m行第n列参数，卷积核的长宽均为k，用表示偏置项，用,表示输出特征图中第i行第j列元素，则卷积的计算方法如式2-1所示。,=∑∑,+,+1=01=0+(2-1)如果输入的特征图是三维的，即有D个特征，则对每个特征和相应的卷积核做二维卷积计算，并将结果求和，即得到输出的二维特征。其计算方法如式2-2所示。,=∑∑∑,,,+,+1=01=01=0+(2-2)假设输入特征的维度是W*H*D，卷积核大小为F*F*D，对输入特征四周补零数为P，卷积的步长为S，则输出特征的长宽分别如式2-3、2-4所示。′=+2+1(2-3)′=+2+1(2-4)当卷积的步长S大于1时，卷积的同时也能起到降采样的作用。卷积层最大的用途在于提取图像的相关特征，浅层的卷积提取图像的细节信息，深层的卷积提取图像的语义信息，这也是网络层数越深，特征学习能力越强的原因。2.2.2激活层卷积实际上是一种线性变换，即使是多层卷积的直接叠加依然是一种线性变换，深层神经网络为了能够拟合任意的非线性变换，通常还需要在每个卷积层的后面加上一层非线性操作，这就是激活层。这一设计灵感来源于生物系统中的神经元，即只有当前面的树突传递的信号的加权值之和大于某一个特定的阈值时，后面的神经元才会被激活。对应到特征图中，我们可以获取那些对最终判别结果有用的特征。激活层常用的激活函数有以下三种：sigmoid，tanh，ReLU。它们的相应的函数表达

【参考文献】：
期刊论文
[1]Cancer incidence and mortality in China, 2014[J]. Wanqing Chen,Kexin Sun,Rongshou Zheng,Hongmei Zeng,Siwei Zhang,Changfa Xia,Zhixun Yang,He Li,Xiaonong Zou,Jie He.  Chinese Journal of Cancer Research. 2018(01)
[2]医学图像分割方法综述[J]. 刘宇,陈胜.  电子科技. 2017(08)



本文编号：3220911