深度学习图像分割算法在胃癌病理切片中的可行性分析

摘要：

目的 采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别.方法 以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net (DU-Net) .采用区域重叠分割法将数据集分割成若干小块图片, 然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割, 并使用图片分类器清除假阳性样本, 重新合成新样本.采用重复学习的方法使用新样本进行多次重复训练, 将得到的结果应用全连接条件随机场 (CRF) 进行后续处理.最终得到胃癌分割图片并验证结果.结果 经过3次重复学习后, DU-Net网络模型的平均精度为91.5％, 平均交叉联合度量 (IoU) 为88.4％;相比于未经重复学习的基础DU-Net模型, 其平均精度提升了5.6％, 平均IoU提升了2.9％.结论 基于深度学习的胃癌病理切片分割算法实现了精准的分割, 提高了模型的泛化能力和鲁棒性, 可用于辅助胃癌病理诊断.

关键词：人工智能、胃肿瘤、病理切片、深度学习、重叠分割、全连接条件随机场、重复学习

所属期刊栏目：39

分类号：R735.2(肿瘤学)

资助基金：国家自然科学基金61673163;湖南省自然科学基金2016JJ3045;电子制造业智能机器人技术湖南省重点实验室 IRT2018003.Supported by National Natural Science Foundation of China61673163;Natural Science Foundation of Hunan Province2016JJ3045;Hunan Key Laboratory of Intelligent Robot Technology in Electronic ManufacturingIRT2018003

在线出版日期：2018-11-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：903-908