栏目导航
 
学校要闻
学术动态

08 现在的位置：首页 > 期刊导读 > 2018 > 08 >

深度学习图像分割算法在胃癌病理切片中的可行性分析

【作者】 梁桥康 [1] 南洋 [1] 项韶 [1] 梅丽 [1] 孙炜 [1] 于观贞 [2]

【关键词】 人工智能 胃肿瘤 病理切片 深度

【摘要】目的 采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别.方法 以U-Net网络为基本架构设计更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集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块进行初次分割, 并使用图片分类器清除假阳性样本, 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连接条件随机场 (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, 提高了模型的泛化能力和鲁棒性, 可用于辅助胃癌病理诊断.

上一篇： 基于多维度特征融合的深度学习骨龄评估模型
下一篇： 基于迁移学习的全连接神经网络舌象分类方法

        出版单位：《第二军医大学学报》编辑部
        单位地址：上海市杨浦区翔殷路800号第二军医大学学报编辑部
        邮编：200433