癌癥病理圖像的語義分割已經(jīng)成為輔助醫(yī)生預(yù)判病人患癌風(fēng)險以及癌癥等級的重要手段。隨著深度學(xué)習(xí)技術(shù)在計算機(jī)視覺任務(wù)中取得的卓越成就,全卷積神經(jīng)網(wǎng)絡(luò)逐漸成為解決醫(yī)學(xué)圖像分割問題的首選方案。然而,這種全監(jiān)督式的學(xué)習(xí)方法需要大量的數(shù)據(jù)以及人工制作的像素級標(biāo)簽,這通常需要花費(fèi)大量的時間和成本。為了克服這種缺陷,本文研究了基于弱監(jiān)督學(xué)習(xí)的癌癥病理圖像分割方法,僅利用圖像級標(biāo)簽實(shí)現(xiàn)像素級的預(yù)測,從而極大地節(jié)省了人工制作標(biāo)簽的繁瑣。本文首先研究了一種基于多示例學(xué)習(xí)的癌癥病理圖像分割算法。利用取最大值的方法將全卷積神經(jīng)網(wǎng)絡(luò)的分割結(jié)果圖轉(zhuǎn)換為反應(yīng)輸入圖像是否是癌癥圖像的概率值,從而和輸入圖像的圖像級標(biāo)簽進(jìn)行交叉熵?fù)p失函數(shù)計算,通過不斷降低該損失值,使網(wǎng)絡(luò)得到訓(xùn)練。最終網(wǎng)絡(luò)的分割概率圖結(jié)合固定閾值便得到輸入圖像的分割結(jié)果。同時針對網(wǎng)絡(luò)分割出的癌癥區(qū)域面積大于實(shí)際的癌癥區(qū)域面積,本文還引入了一項面積約束,有效的提升了分割效果。然而僅利用圖像級標(biāo)簽作為監(jiān)督信息對于網(wǎng)絡(luò)訓(xùn)練的約束能力來說相對有限,最終的分割結(jié)果和全監(jiān)督學(xué)習(xí)之間差距較大。為了更加充分的利用圖像級標(biāo)簽,依據(jù)卷積神經(jīng)網(wǎng)絡(luò)的顯著性目標(biāo)區(qū)域定位能力,本文又研... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

高分辨率癌癥病理圖像示意圖

第二章圖像語義分割概述7第二章圖像語義分割概述2.1引言語義分割（SemanticSegmentation）是計算機(jī)視覺領(lǐng)域中一項至關(guān)重要的任務(wù)，它的目的是為圖像中的每一個像素點(diǎn)分配一個類別標(biāo)簽，也就是進(jìn)行像素級的分類，語義分割也因此被稱為密集型預(yù)測（denseprediction）。如圖2-1所示，其中不同顏色的分割結(jié)果代表不同的類別。相較于圖像分類和目標(biāo)檢測，語義分割可以為我們提供關(guān)于圖像的更加細(xì)粒度的信息，使得機(jī)器對于圖像內(nèi)容的理解更加智能化，這也為語義分割的實(shí)現(xiàn)帶來了巨大的困難和挑戰(zhàn)。然而近些年來，隨著深度學(xué)習(xí)技術(shù)的日益成熟，大量高效且精確的分割系統(tǒng)已經(jīng)成功地被應(yīng)用到無人駕駛、人機(jī)交互、圖像搜索和增強(qiáng)現(xiàn)實(shí)等場景中，這些系統(tǒng)的設(shè)計大多是基于卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNNS)實(shí)現(xiàn)的。圖2-1語義分割示意圖。左為原圖，右為分割結(jié)果圖2.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是一系列包含卷積操作的深層神經(jīng)網(wǎng)絡(luò)的統(tǒng)稱，是深度學(xué)習(xí)的核心算法。20世紀(jì)90年代，LeCun等人首次發(fā)明了LeNet-5網(wǎng)絡(luò)[56]用于手寫數(shù)字識別，并取得了98%的準(zhǔn)確率，這為以后的CNNs架構(gòu)提供了基本雛形。然而由于當(dāng)時計算機(jī)計算能力的薄弱以及數(shù)據(jù)量的不足，當(dāng)神經(jīng)網(wǎng)絡(luò)的規(guī)模增大時，反向傳播算法就會出現(xiàn)梯度消失的問題，這導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)沒有獲得學(xué)術(shù)界的足夠重視。直到2006年，Hinton等人正式提出深度學(xué)習(xí)，并在《科學(xué)》期刊上發(fā)表論文[57]詳細(xì)給出了梯度消失問題的解決辦法。隨后，他又帶領(lǐng)團(tuán)隊參加了2012年ImageNet圖像分類挑戰(zhàn)賽，基于卷積神經(jīng)網(wǎng)絡(luò)提出了AlexNet[58]結(jié)構(gòu)并獲得了最高的分類準(zhǔn)確率，其錯誤率遠(yuǎn)遠(yuǎn)低于第二名使用傳統(tǒng)方法的團(tuán)隊。至此，深度學(xué)習(xí)開始了引領(lǐng)人工智能領(lǐng)域一波新的高潮，其在各個行業(yè)和領(lǐng)域，如智能翻譯、智

東南大學(xué)碩士學(xué)位論文8共享，這樣的特點(diǎn)有助于網(wǎng)絡(luò)學(xué)習(xí)輸入特征的空間信息和減少網(wǎng)絡(luò)參數(shù)。卷積層以固定步長移動卷積核，使得卷積核與輸入特征圖中相應(yīng)的點(diǎn)相乘求和得到輸出的特征圖。圖2-2展示了步長為1的二維卷積。圖2-2二維卷積示意圖我們用,表示輸入特征圖中的第i行第j列元素，用,表示卷積核第m行第n列參數(shù)，卷積核的長寬均為k，用表示偏置項，用,表示輸出特征圖中第i行第j列元素，則卷積的計算方法如式2-1所示。,=∑∑,+,+1=01=0+(2-1)如果輸入的特征圖是三維的，即有D個特征，則對每個特征和相應(yīng)的卷積核做二維卷積計算，并將結(jié)果求和，即得到輸出的二維特征。其計算方法如式2-2所示。,=∑∑∑,,,+,+1=01=01=0+(2-2)假設(shè)輸入特征的維度是W*H*D，卷積核大小為F*F*D，對輸入特征四周補(bǔ)零數(shù)為P，卷積的步長為S，則輸出特征的長寬分別如式2-3、2-4所示�！�=+2+1(2-3)′=+2+1(2-4)當(dāng)卷積的步長S大于1時，卷積的同時也能起到降采樣的作用。卷積層最大的用途在于提取圖像的相關(guān)特征，淺層的卷積提取圖像的細(xì)節(jié)信息，深層的卷積提取圖像的語義信息，這也是網(wǎng)絡(luò)層數(shù)越深，特征學(xué)習(xí)能力越強(qiáng)的原因。2.2.2激活層卷積實(shí)際上是一種線性變換，即使是多層卷積的直接疊加依然是一種線性變換，深層神經(jīng)網(wǎng)絡(luò)為了能夠擬合任意的非線性變換，通常還需要在每個卷積層的后面加上一層非線性操作，這就是激活層。這一設(shè)計靈感來源于生物系統(tǒng)中的神經(jīng)元，即只有當(dāng)前面的樹突傳遞的信號的加權(quán)值之和大于某一個特定的閾值時，后面的神經(jīng)元才會被激活。對應(yīng)到特征圖中，我們可以獲取那些對最終判別結(jié)果有用的特征。激活層常用的激活函數(shù)有以下三種：sigmoid，tanh，ReLU。它們的相應(yīng)的函數(shù)表達(dá)

【參考文獻(xiàn)】：
期刊論文
[1]Cancer incidence and mortality in China, 2014[J]. Wanqing Chen,Kexin Sun,Rongshou Zheng,Hongmei Zeng,Siwei Zhang,Changfa Xia,Zhixun Yang,He Li,Xiaonong Zou,Jie He.  Chinese Journal of Cancer Research. 2018(01)
[2]醫(yī)學(xué)圖像分割方法綜述[J]. 劉宇,陳勝.  電子科技. 2017(08)



本文編號：3220911