使用并行编码器的最大池的索引来执行非线性采样,然后将所得的上采
样映射与可训练滤波器进行稀疏卷积以创建密集特征映射。在参考文献
[13]中,定义了一种跳过架构,该架构将从较深的较粗层中获得的语义
信息与从预训练网络的较浅的精细层中提取的外观信息合并,以产生最
终准确和详细的分割结果。在参考文献[14]中,DeepLab引入了“atrous
卷积”用于显式控制分辨率和放大的滤波器视场,“atrous空间金字塔池”
用于在多个尺度上捕获上下文,以及用于定位对象边界的全连接条件随
机场。但这些技术都未能捕捉到微妙的腺体边界。在参考文献[15]中,
通过将手工特征和多尺度图像特征与深度卷积特征相结合来制定结构预
测腺体分割方法,但其处理时间非常高。
在[16]中,提出了一种深度神经分割网络,
执行特征传播和联合任务学习的统一并行分支。在文献[17]中,提出了
一种分数阶小波散射分割网络,该网络综合了图像块的边界信息和腺体
位置信息,并从不同阶次的图像块中提取特征向量。这些技术得到了相
当大的性能提升,但它们为严重变形的恶性腺体提供了退化的性能。在
参考文献[18]中,基于编码器-解码器的旋转等变网络(Rota-Net)利用
90度倍数的组等变卷积旋转和多类策略来分离接触腺体。在参考文献
[19]中,通过在网络内部的多个点重新启动原始输入图像以及使用空间
金字塔池化和随机变换,提出了最小信息损失扩张网络(MILD-Net)。
这两种技术都保留了网络中的空间信息,从而导致腺体边界的分割,即
使是非常接近的边界,也是有利可图的,但对于物理接触的腺体,它们
之间没有像素
在 [20], 一个 自动化 多尺度 卷积 分割
提出了一种基于三类分类的神经网络,其残差结构具有扩张卷积以提取
不同的感受野特征,并具有高分辨率分支以补偿全局信息损失。在参考
文献[21]中,对抗性损失函数与基于片段级形状相似性度量的损失函数
相结合。它对不同尺度的图像进行下采样和整合,以提供全球和本地的
上下文信息, 训练 在参考文献[22]中,制定了密集轮廓不平衡感知
(DCIA)框架。它集成了密集网络中生成的所有语义特征,以发现输入
图像的“最佳”表示,并将交叉熵目标替换为焦点损失,以减轻轮廓不平
衡问题。在参考文献[23]中,提出了一种利用旋转对称性的密集可操纵
滤波器卷积神经网络,其中每个滤波器被描述为基于可操纵滤波器的线
性混合,用于实现精确旋转并与标准滤波器相比减少可训练约束量。这
些技术在腺体关闭的情况下会出现假阳性
这些 方法已 实现 有希望的结果, 压盖
虽然自动腺体分割任务已经完成,但由于组织病理学图像的复杂性质和
腺体的不同形态,自动腺体分割仍然是一项具有挑战性的任务[24]。此
外,从这篇文献回顾中发现,到目前为止,还没有一种技术能够独立地
处理所有困难的病例,它们总是在一个或多个领域存在不足。 因此,
在这里,所提出的基于U-Net架构的
该方法旨在仅使用一种方法来处理所有这些极具挑战性的案件。
近年来,基于U-Net的模型被提出。与文献[25]类似,通过利用基于
U-Net的染色分离网络和三角形隶属函数,给出了一种基于多形态学约
束的方法。在文献[26]中,提出了一种在缩放多监督下具有多个子模块
的堆叠式广义U形网络(SGU-Net)。在文献[27]中,通过将空间和通道
注意机制集成为即插即用段,提出了空间通道注意U-网(SCAU-Net)。
这些基于U-Net的方法的显著成功成为所提出的模型的动机。
3.
拟议的细分方法
3.1.
预处理步骤
公共数据集,即,[28][29]因此,在多位病理学家的帮助下,首次手
动描绘地面实况,以实现其完美性。然后预处理技术
[29]
用于训练图像及其相应的地面实况数 据集,如图1所示。 3并解释
如下:
I.
补丁选择
:对于训练数据集的不确定性量化,使用随机变换的概
念通过网格采样提取大小为512 - 512的补丁。这在CRAG数据集
中很容易完成,但由于GlaS数据集也由小尺寸图像组成,因此首
先将图像转换为大图块图像。其余不属于任何图块的图像被视为
个体。然后从两个数据集中提取补丁。
II.
染色归一化
:参考文献中给出的技术。[30,31]和[32]被应用于
使所提出的模型对组织外观中存在的不一致的大变化不变,
临床图像
III.
数 据 增 强
: 各 种 技 术, 即 , 随 机旋 转 ( 0
0
, 90
0
, 180
0
,
270
0
),随机翻转,弹性变形,颜色变形,
中值模糊和高斯模糊被应用以增加训练数据集大小,减轻过拟合
问题,并且开发所提出的模型对这些通常冲击真实临床数据的医
学成像变形的屏蔽。
IV.
数据清理
:这是为了丢弃那些没有太多信息并且大部分是白色
的图像这是通过使用PCA [33]来减少所提出模型的计算负担和
训练时间,避免使用图像中存在的任何误导,错误或不必要的
信息进行不必要的训练。此外,多个病理学家检查所得到的预
处理图像的真实外观,以评估其推理能力。被病理学家拒绝的
图像因此,这里利用临床模拟数据集来增强所提出的模型的泛
化能力。
3.2.
网络架构
由于腺体分割是一项复杂的任务,它需要一个非常深的神经网络来
进行有力的特征提取。所提出的模型如图4所示。它主要由两部分组
成: