LEFM-Nets：用于冰冻切片组织病理学图像分割的可学习显式特征图深度网络

医学图像的准确分割对疾病的诊断和治疗至关重要。这类问题由高度复杂的模型（如深度网络（DN））求解，需要大量标注数据用于训练。因此，许多DN具有任务或成像模态特定的架构，其决策过程往往难以解释和理解。在此，我们提出一种框架，将现有DN嵌入到由可学习显式特征图（LEFM）层诱导的低维子空间中。与现有DN相比，该框架仅增加一个超参数，且只是适度增加了可学习参数的数量。该方法旨在（但不限于）分割低维医学图像，例如染色冰冻切片的有色组织病理学图像。由于LEFM层中的特征是原始特征的多项式函数，所提出的LEFM-Nets有助于网络决策的可解释性。在本工作中，我们将LEFM与已知网络DeepLabv3+、UNet、UNet++和MA-net相结合。新的LEFM-Nets被应用于肝组织中结肠腺癌的图像分割，图像来自苏木精和伊红（H&E）染色的冰冻切片。LEFM-Nets还在来自十个正常人器官H&E染色冰冻切片图像的细胞核分割上进行了测试。在第一个问题上，LEFM-Nets在微平衡准确率和$F_1$分数方面取得了比原始网络统计显著的性能提升。在第二个问题上，LEFM-Nets相比原始网络仅取得了更好的性能。源代码可在 https://github.com/dsitnik/lefm 获取。