基于卷积神经元的组织学图像分割与纤维化识别
计算机视觉与模式识别
2020-07-30 v1
摘要
组织学图像分割是许多生物医学分析（包括特定组织类型的定量分析）中最关键的任务之一。然而，除了成像伪影外，此类图像中结构特征的高度变异性和复杂性也带来了挑战。此外，人工设定阈值的传统方法费时费力，且对图像间和图像内的强度变化高度敏感。因此，一种准确且鲁棒的自动分割方法备受关注。我们提出并评估了一种用于组织学图像分割的精巧卷积神经网络（CNN），特别是针对 Masson 三色染色的图像。该网络由 11 个连续的卷积 - 修正线性单元 - 批归一化层组成，在心脏组织学图像数据集（标注纤维化、心肌细胞和背景）上取得了 0.947 的 Dice 相似系数，优于现有最先进的 CNN。由于可训练参数少 100 倍（仅 30 万个），我们的 CNN 不易过拟合且高效。此外，它从输入到输出保持图像分辨率，能捕获细粒度细节，并且可以顺畅地进行端到端训练。据我们所知，这是首个针对该问题量身定制的深度 CNN，并可扩展以解决类似的分割任务，从而促进病理学和临床治疗的研究。
引用
@article{arxiv.1803.07301,
title = {Segmentation of histological images and fibrosis identification with a convolutional neural network},
author = {Xiaohang Fu and Tong Liu and Zhaohan Xiong and Bruce H. Smaill and Martin K. Stiles and Jichao Zhao},
journal= {arXiv preprint arXiv:1803.07301},
year = {2020}
}