《深度学习图像分割算法在胃癌病理性切片中的可行性分析》-----论文笔记

最新推荐文章于 2024-11-11 08:52:00 发布

weixin_43350614

最新推荐文章于 2024-11-11 08:52:00 发布

阅读量5.5k

点赞数 1

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/weixin_43350614/article/details/85161336

本文提出了一种基于深度学习的胃癌病理切片分割算法Deeper U-Net（DU-Net），通过区域重叠分割、图片分类器、全链接条件随机场（CRF）和重复学习法提升模型精度。实验结果显示，DU-Net经过3次重复学习后，平均精度提升至91.5%，平均IoU提升至88.4%，表明该算法能有效提高胃癌分割的准确性，有助于病理诊断。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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
在这里插入图片描述
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。