一种用于乳腺肿瘤标注的目标感知混合U-Net

在临床环境中，病理学家在对组织病理学切片进行数字检查时，通过在疑似肿瘤区域周围标记粗略边界来标注切片。该标记或标注通常表示为覆盖切片中肿瘤范围的多边形边界。由于肿瘤区域具有异质性，因此通过CAD技术难以模仿这些多边形标记，而分割它们需要详尽的逐像素真值标注。因此，对于CAD分析，真值通常由病理学家为研究目的显式标注。然而，这种语义或实例分割通常所需的标注既耗时又繁琐。因此，在本工作中，我们试图通过用多边形边界分割肿瘤范围来模仿病理学家的标注。对于类多边形标注或分割，我们使用了活动轮廓（Active Contours），其顶点或蛇点向感兴趣目标的边界移动以找到最小能量区域。为了惩罚活动轮廓，我们使用改进的U-Net架构来学习惩罚值。所提出的混合深度学习模型将现代深度学习分割算法与传统活动轮廓分割技术相融合。该模型针对最先进的语义分割和混合模型进行了测试，以根据当代工作评估性能。所得结果表明，通过开发此类融合通过经典分割方法（如活动轮廓）的领域知识和通过语义分割深度学习模型的全局知识的混合模型，可以实现类病理学家的标注。