61、基于GECNN - CRF的前列腺癌全切片图像检测方法

基于GECNN - CRF的前列腺癌全切片图像检测方法

1. 引言

前列腺癌在美国和西欧男性中是导致发病和死亡的主要原因。其诊断方法主要包括直肠指检、前列腺特异性抗原（PSA）浓度检查、影像诊断以及前列腺活检。其中，活检仍是最准确的诊断方式。通过病理检查，能够判断肿瘤的起源和分化程度，辅助肿瘤的病理诊断和鉴别诊断。对术后肿块进一步进行病理检查，可确定肿块是良性还是恶性。若为良性，手术切除肿块可达到治愈目的；若为恶性，则仅手术切除肿块是不够的，还需进一步治疗。

医生依据全切片图像（WSIs）来区分正常细胞和肿瘤细胞，并定位癌症区域。然而，人工病理检查容易受到各种主观因素的影响，如病理医生的临床诊断经验、WSI图像分辨率等。因此，基于专家诊断的前列腺癌分析方法存在较大局限性。计算机辅助病理检查能够提高前列腺癌检测的灵敏度、速度和一致性。本文的主要贡献如下：
- 提出用于WSI图像癌症检测任务的群等变卷积模型。与标准卷积模型相比，该模型在理论上能保证旋转和对称的等变性。
- 提议使用全连接条件随机场方法来增强群等变卷积的性能。此方法可结合图像中不同块之间的标签相关性，以获得更好的检测结果。
- 提出包括丢弃法（dropout）和数据抖动（data jitter）等方法，来增强群等变卷积网络在WSI图像癌症检测任务中的泛化性能。

2. 相关工作

近年来，随着深度学习技术的发展，卷积神经网络（CNN）在计算机视觉领域展现出卓越的性能。目前，CNN在自然图像的计算机视觉任务中取得了显著进展，如图像分类、目标检测、目标跟踪和图像分割等。因此，越来越多的人开始研究如何将CNN应用于医学图像分析。

由于病理图像具有超高分辨率