-
题名基于弱监督的口腔鳞状细胞癌病理图像分割
- 1
-
-
作者
李达义
孙晶晶
林天成
李江
徐奕
-
机构
上海交通大学电子信息与电气工程学院
上海市第九人民医院
-
出处
《信息技术》
2024年第2期1-7,14,共8页
-
基金
国家自然科学基金面上项目(62171282)。
-
文摘
考虑到口腔鳞状细胞癌病理图像的超高分辨率,文中提出用简单的曲线粗略勾画三类前景区域,使得前景区域标签是包含背景区域的粗标签,仅耗费专业精细标注1/6的时间。文中利用粗标签中前景区域含噪声,但背景区域都是干净标签这一事实,通过多个背景模板滤除误标的前景像素,实现对前景部分的精细化分割。具体地,文中提出基于背景相似度感知的平均教师模型(BS-MT),通过抽取高度多样性和鲁棒性的背景模板,指导学生网络利用模板滤波滤除背景像素而生成高质量的前景标签。在自建的OSCC-CA数据集,该方法的mIoU比U-Net和其他弱监督方法分别高出2.5%和1.1%以上。
-
关键词
弱监督分割
病理图像分割
背景相似度感知平均教师
-
Keywords
weakly-supervised segmentation
pathological image segmentation
background similarity-aware mean teacher
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名全监督和弱监督图网络的病理图像分割
- 2
-
-
作者
沈熠婷
陈昭
张清华
陈锦豪
王庆国
-
机构
东华大学计算机科学与技术学院
上海市第一人民医院
-
出处
《中国图象图形学报》
CSCD
北大核心
2024年第3期697-712,共16页
-
基金
上海市教育委员会上海市教育发展基金“晨光计划”(18CG38)。
-
文摘
目的 计算机辅助技术以及显微病理图像处理技术给病理诊断带来了极大的便利。病理图像分割是常用的技术手段,可用于划分病灶和背景组织。开发高精度的分割算法,需要大量精准标注的数字病理图像,但是标注过程耗时费力,具有精准标注的病理图像稀少。而且,病理图像非常复杂,对病理组织分割算法的鲁棒性和泛化性要求极高。因此,本文提出一种基于图网络的病理图像分割框架。方法 该框架有全监督图网络(full supervised graph network,FSGNet)和弱监督图网络(weakly supervised graph network,WSGNet)两种模式,以适应不同标注量的数据集以及多种应用场景的精度需求。通过图网络学习病理组织的不规则形态,FSGNet能达到较高的分割精度;WSGNet采用超像素级推理,仅需要稀疏点标注就能分割病理组织。结果 本文在两个公开数据集GlaS(Gland Segmentation Challenge Dataset)(测试集分为A部分和B部分)、CRAG(colorectal adenocarcinoma gland)和一个私有数据集LUSC(lung squamous cell carcinoma)上进行测试。最终,本文所提框架的两种模式在3个数据集中整体像素级分类精度(overall accuracy,OA)和Dice指数(Dice index,DI)均优于对比算法,且FSGNet在GlaS B数据集中效果最明显,分别提升了1.61%和2.26%,WSGNet在CRAG数据集中较先进算法提升效果最明显,分别提升了2.63%和2.54%。结论 本文所提框架的两种模式均优于多种目前先进的算法,表现出较好的泛化性和鲁棒性。
-
关键词
病理图像分割
图卷积网络(GCN)
全监督学习
弱监督学习
点标签
-
Keywords
histopathology image segmentation
graph convolutional network(GCN)
fully supervised learning
weakly supervised learning
point labels
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名结合多任务学习的半监督病理图像分割方法
- 3
-
-
作者
曾黎
汤红忠
王蔚
谢明健
吴勇军
-
机构
湘潭大学自动化与电子信息学院
湘潭大学智能计算与信息处理教育部重点实验室
湘潭市第一人民医院病理科
-
出处
《协和医学杂志》
CSCD
2023年第2期416-425,共10页
-
基金
国家自然科学基金区域创新发展联合基金(U19A2083)
湖南省自然科学基金(2020JJ4588,2020JJ4090)
湘潭大学智能计算与信息处理教育部重点实验室开放课题(2020ICIP06)。
-
文摘
病理图像自动分割是计算机辅助诊断技术的重要组成部分,可降低病理科医师工作负担,提高诊断效率和准确性。本文介绍一种结合多任务学习的半监督病理图像分割方法。该方法基于半监督的方式同时进行癌症区域图像分割与分类,即首先基于极少量像素级标注图像对分割网络进行训练,然后结合图像级标注图像同时完成图像分割及分类。在网络训练过程中,通过此2个任务的交替迭代以优化网络参数,降低了深度学习模型对图像标注的依赖性。在此基础上,模型引入了动态加权交叉熵损失函数,可利用分类预测概率值自动完成每个像素的权重分配,以提高分割网络对预测概率值较低目标区域的关注度。该策略可有效保持癌症区域的细节信息,经验证可在像素标注数据量不足的情况下对乳腺癌病理图像获得良好的癌症区域分割结果。
-
关键词
病理图像分割
多任务学习
半监督学习
动态加权交叉熵
-
Keywords
histopathological image segmentation
multi⁃task learning
semi⁃supervised learning
dynamically weighted cross entropy
-
分类号
R36
[医药卫生—病理学]
TP183
[医药卫生—基础医学]
-
