基于改进的卷积神经网络的病理图片区域分类器.pdf

本文主要探讨了一种基于改进的卷积神经网络（CNN）的病理图片区域分类器，用于病理图像的自动区域分割。该分类器采用高通量自适应采样法（HASHI）进行训练，该方法在标注阳性区域的病理图片上进行常规采样，以此构建训练集。通过拟蒙特卡洛法和梯度插补法处理未标注的病理图片，并利用训练得到的分类器对采样区域进行分类，生成概率热图，最终实现自动区域分割。 卷积神经网络在图像识别和分类任务中起着核心作用，但现有的大型模型如VGGNet、GoogLeNet、ResNet等因输入分辨率大和特征针对性不强，不适于病理图片的高精度、小分辨率场景。为解决这个问题，文章提出了一种基于Res2Net的轻量级模型。Res2Net是ResNet的改进版，它通过将单一卷积层替换为分层的类残差结构，增加了网络的语义信息提取能力，同时保持较低的计算复杂度。在Res2Net结构中，特征图被分为多组，每组卷积层逐级处理，最终将所有输出特征图拼接，通过1×1卷积层融合多尺度信息。 模型设计考虑了病理图像的特点，即低分辨率和丰富的低级特征。因此，模型在初始阶段增加了卷积核的数量，并利用Res2Net拓宽网络宽度。为适应输入图片分辨率限制，确保输出特征图的感受域大小，同时降低计算复杂度，采用了步长为2的卷积层替代池化层，以减少信息损失。模型的激活函数选择LeakyReLU，以解决ReLU在负区间内神经元停止学习的问题。 实验部分，文章使用了包含162张标注IDC区域的病理图片（40x放大倍数），通过对感兴趣区域进行不重叠采样切割，验证了改进CNN的有效性。实验结果表明，该模型在病理图片区域分类任务中表现出高性能，能够有效地实现病理图像的自动分割。 综上，本文通过改进卷积神经网络架构，设计出一种适用于病理图片区域分类的高效模型，为病理图像分析提供了新的解决方案。这种方法不仅提高了分类精度，还降低了计算复杂度，对于医学图像处理领域具有重要的实践意义。