没有合适的资源?快使用搜索试试~ 我知道了~
级联稀疏卷积与决策树集成的病理图像细胞核分割方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 59 浏览量
2023-02-23
20:16:48
上传
评论
收藏 4.13MB DOCX 举报
温馨提示
试读
20页
级联稀疏卷积与决策树集成的病理图像细胞核分割方法.docx
资源推荐
资源详情
资源评论
复杂背景病理图像个体细胞分割是在成千上万个体细胞汇集的图像中逐个分割出具有
相对完整边界的细胞, 为后续细胞形态计算和病理特征提供定量分析. 传统的病理切片分割
方法, 需要经过专门训练的病理医师在图像中逐个寻找感兴趣区域(Regions of interest, RoI),
而后根据专业知识分析诊断. 一张病理切片通常包含成百上千个细胞或细胞核, 这给医师带
来很大的工作负担, 疲劳阅片现象时有发生
[1]
. 虽然目前已有很多病理细胞图像处理方法,
但这些方法大多只关注于特定类型或单一器官的细胞或细胞核分割. 因此, 临床和医学研究
迫切需要能够进行多个器官和疾病状态的细胞核病理图像高精度分割方法
[2]
. 然而, 如图 1
所示, 个体分割具有如下挑战: 一方面, 对于病理状态(例如增生或某种癌症亚型)图像而言,
由于细胞核增大, 并呈现染质浓集贴边, 即核內染质较浅, 而边缘附近染质较深; 而着色较
深的核仁也大量出现在核内. 另一方面, 由于病理图像中往往细胞密度高、细胞间出现重叠
和成团等突出问题, 加剧了个体细胞分割的难度. 目前方法体系主要分两类: 传统基于人工
特征的图像分割方法和基于表示特征学习的图像分割方法.
图 1 病理细胞核图像分割的挑战与人工分割结果
Fig. 1 Challenges in nuclear segmentation and associated ground truth
下载: 全尺寸图片 幻灯片
传统图像分割方法包括: 水平集方法、图论方法和分水岭方法等. 水平集算法是目前
比较流行的分割方法. 其基本模型包括两类: 基于边缘的水平集模型
[3]
和基于区域的水平集
模型
[4]
. 近年来, 基于后者, 很多改进的方法
[5]
被提出来广泛应用于病理图像的细胞分割中.
在现有方法中, 基于图论的分割方法是病理图像分析中应用最为广泛的技术之一. 最常用算
法是最小割算法
[6]
, 除了主流的图割方法, 其他类型的图模型也已经应用到个体细胞核的分
割, 例如属性关系图模型
[7]
. 另一类基于图像分析的代表性方法是分水岭算法, 分水岭算法
通常期望目标细胞核内灰度分布均匀, 并且目标与背景具有明显灰度或颜色差异. 图像中的
噪声、目标内部灰度变化, 都会产生过度分割的现象. 为此, 人们提出若干标记控制的分水
岭及其变种算法
[8-10]
. 传统图像分割方法为了得到精确的个体分割结果, 通常需要分析 RoI
特有属性来设计额外的后处理步骤, 从而导致算法可迁移性较差.
虽然深度学习方法能较好地处理病理图像细胞核表观多样性的分割问题, 但由于网络
架构、网络复杂性以及超参数的影响, 使其分割性能受到限制. 针对病理图像细胞核表观多
样性的分割问题及深度神经网络的局限性, 国内外研究者提出了系列具有较小参数规模的
快速浅层分割学习模型. 与现有深度学习模型相比, 浅层学习模型无需非线性激活和后向传
播计算, 且学习模型参数规模较小. 传统浅层分割学习方法
[11-12]
为了得到密集预测结果, 通
常使用像素周围的一个图像块作为模型的输入用于训练和预测. 由于只能提取一些局部的
特征, 从而导致分割的性能受到限制. 而基于卷积操作的浅层学习模型
[13-18]
则是从抽象的特
征中恢复出每个像素所属的类别, 从而可以实现比传统模型更加精确的分割结果. 然而, 这
类浅层分割学习模型没有充分考虑像素间的局部依赖关系, 因此对图像细节特征快速捕获
和紧致表达能力有待加强. 此外, 在传统集成决策树学习算法中最先学习得到的一两棵树对
预测结果的影响最为显著, 这使得整个模块对这些树所做出的决策过于敏感, 容易产生过拟
合现象.
为了解决这些问题, 本文的主要贡献是:
1) 提出了级联稀疏卷积与决策树集成(Cascade sparse convolution and decision tree
ensemble, CscDTE)学习模型, 该模型没有非线性激活和后向传播计算, 且学习模型参数规
模较小, 其特征学习过程具有一种替代深度神经网络的新型学习机制;
2) 采取多层稀疏可分离卷积特征学习捕获图像上下文特征; 采取秩-1 张量分解
[19]
的可
分离卷积加速特征学习过程;
3) 建立集成决策树学习的正则化回归模型, 采取局部二阶近似逼近优化决策树, 提高
分类回归泛化性能;
4) 在乳腺、前列腺、肾脏、胃和膀胱等多组病理图像的分割实验表明该模型优于目
前 CNN2、CNN3 和 U-Net 等深度学习方法, 对于病理图像分割具有较好应用前景.
1. 相关工作
1.1 浅层特征学习方法
浅层特征学习分割方法中代表性方法包括稀疏编码方法
[11, 13]
以及多层稀疏卷积特征学
习方法
[15-18]
. 相比标准的卷积滤波器组来说, 稀疏可分离卷积滤波器组能够在不影响其性能
的情况下大大降低计算复杂度. 例如 Sironi 等
[13-15]
通过学习一组可分离卷积滤波器有效提取
图像中曲线状奇异边缘结构. 具体地, 稀疏卷积滤波器学习方法是利用一组样本, 通过利用
稀疏编码方法
[20-21]
学习 JJ 个卷积滤波器 f={fj}Jj=1f={fj}j=1J : =
argmin{fj},{aij}∑i⎛⎝∥∥∥∥Ii−∑j=1Jfj∗aij∥∥∥∥22+β⋅∑j=1J∥∥aij∥∥1⎞⎠argmin{fj},{aji}∑i(‖Ii−∑j=1Jfj∗aji‖22+β⋅∑j=1J‖aji‖1)
(1)
其中, fj∈Rd×d,aijfj∈Rd×d,aji 是输入图像 IiIi 的稀疏编码, ββ 是正则化参数. 模型(1)可
通过交替方向法
[22]
迭代优化更新 aijaji 和 fjfj 进行求解. 当得到一组卷积滤波器
{fj}Jj=1{fj}j=1J 之后, 则可以采取 {fj}Jj=1{fj}j=1J 对图像 II 进行卷积生成一组卷积特征图
m={mj}Jj=1,m={mj}j=1J, 其中, mj=mj= fj∗I,fj∗I, 符号 ∗∗ 表示卷积运算. 受稀疏编码方法的
启发, Song 等
[16]
通过在线学习稀疏卷积特征并在模型更深层引入上下文信息实现了鲁棒的
显微颗粒目标联立检测和分割. 进一步, Song 等
[17]
通过结合分层稀疏特征学习和人工特征,
设计了 Boosting 判别概率二叉决策树分类方法.
1.2 深层特征学习方法
随着深度学习的兴起, 研究者提出了系列深层特征表示学习的病理图像分割方法
[23-27]
.
代表性网络包括卷积神经网络(Convolutional neural networks, CNN)
[24-25]
和全卷积网络(Fully
convolutional network, FCN)
[26-27]
. 深度学习方法为解决细胞核表观多样性的图像分割问题提
供了有效途径. 通常, CNN 网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征
图映射成一个固定长度的特征向量, 以实现图像级的分割任务
[28]
(见图 2). 例如, Xing 等
[24]
针对组织病理细胞核图像, 构建了两个卷积—池化层对和两个全连接层构成的 CNN2 模型,
实现了端到端的模型训练, 进而对测试图像的细胞核进行分割. 在此基础上, Kumar 等
[25]
提
出了更深的 CNN3 模型, 实现了更广泛病理图像的分割. 与 CNN 不同, FCN 可以接受任意
尺寸的输入图像, 采用反卷积层对最后卷积层的特征图进行上采样, 使它恢复到输入图像相
同的尺寸, 从而可实现逐像素预测, 并可保留原始输入图像的空间信息, 最后在上采样的特
征图上进行逐像素分类
[29]
, 完成像素级的分割. 例如, Zhang 等
[26]
通过结合 FCN 和基于图论
的方法, 提出了一种宫颈癌细胞核分割新方法. 最近, Ronneberger 等训练了一种特殊的 U-
Net 网络结构
[27]
(见图 3), 通过在收缩路径上捕获全局特征和在扩展路径上实现精确定位,
剩余19页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3694
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功