目的:采用基于深度学习的胃癌病理切片分割算法实现对胃癌区域的识别。
方法:以U-Net网络为基本框架设计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进行初次分割,并使用图片分类器清楚假阳性样本,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链接条件随机场(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,提升了模型的泛化能力和鲁棒性,可用于辅助胃癌病理诊断。
1.深度学习网名模型
1.1 网络整体框架
该网络包含14个卷积块(convolution block)、7个最大池化层(max-pooling layer)、7个上采样层(upsampling layer)和一个Sigmoid激活函数层,其中每个卷积块包含有1个卷积层(convolution block)、1个批规范层(batch normalization layer)和1个PRelu激活层。
**注:**批规范层:能通过对卷积层的输入数据进行均值与方差的修正,避免部分饱和和非线性激活函数导致模型产生梯度弥散或爆炸。PRelu作为激活函数:是因为相比Relu激活函数其能加快模型的收敛速度,提高收敛效率。上采样层:能增大特征图的分辨率,使图像还原到原始大小。
1.2 损失函数
在训练网络时,合适的损失函数能