《深度学习图像分割算法在胃癌病理性切片中的可行性分析》-----论文笔记

目的：采用基于深度学习的胃癌病理切片分割算法实现对胃癌区域的识别。
方法：以U-Net网络为基本框架设计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进行初次分割，并使用图片分类器清楚假阳性样本，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链接条件随机场（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，提升了模型的泛化能力和鲁棒性，可用于辅助胃癌病理诊断。

1.深度学习网名模型
1.1 网络整体框架

该网络包含14个卷积块(convolution block)、7个最大池化层（max-pooling layer）、7个上采样层（upsampling layer）和一个Sigmoid激活函数层，其中每个卷积块包含有1个卷积层（convolution block）、1个批规范层（batch normalization layer）和1个PRelu激活层。

**注：**批规范层：能通过对卷积层的输入数据进行均值与方差的修正，避免部分饱和和非线性激活函数导致模型产生梯度弥散或爆炸。PRelu作为激活函数：是因为相比Relu激活函数其能加快模型的收敛速度，提高收敛效率。上采样层：能增大特征图的分辨率，使图像还原到原始大小。

1.2 损失函数
在训练网络时，合适的损失函数能加快模型的收敛速度和效果。本文定义了一种损失函数Loss，其公式为：

2.训练方法
2.1数据处理
由于标注的胃癌区域中存在很多白色背景区域，直接对其训练会导致模型将白色背景区域看作胃癌区域的一个特征。为此需要过滤大部分背景区域图片，以消除白色背景区域的干扰。对于深度学习来说，大规模数据集有利于提高模型的准确度。本文采用了随即旋转、平移、随机裁剪、随机颜色空间变换方法来进行数据的扩充。
2.2区域重叠分割法
使用无重叠分割法得到的图片进行训练。会使模型将白色背景区域占较大比例的图片误认为正常区域，从而增加了预测的不准确性。区域重叠分割法增加了图片视野（即观测域）的范围，对不同视野下的相同癌症区域进行重复预测，可有效避免上述情况。

2.3 图片分类器
本研究设计了一个基于面积阈值的图片分类器，定义了真阳性样本、真阴性样本、假阳性样本、假阴性样本。
在提取合适的图块时，要尽量避免假阴性和假阳性样本，为此本研究基于面积阈值对图像块进行分类提取。假设阳性区域（癌变区域）面积为Uy、阴性区域（背景区域）面积为Un、阈值为B。可得公式如下：
B=Uy/Un
B>=0.7即认为该区域为阳性区域，否则为阴性区域。通过面积阈值的分类方法可初步将一张带标签的病理图片分类为癌症或者正常细胞。

2.4 条件随机场（CRF）
CRF被广泛的应用于图像语义分割的后期处理，用来优化预测结果，降低错误率。
本研究采用全链接CRF处理模型的预测结果，全连接CRF的结构示意图如下图3所示。全连接CRF可以描述像素与像素的联系，在去除噪声时发挥作用，缓解重复学习中过拟合现象。此外，全连接CRF除去了语义分割后概率热度图的噪声，见图4。


2.5 重复学习
粗标记产生一些错误样本问题可以通过DU-Net网络模型和区域重叠分割法得到基本解决，但是要得到更精准的结果以及进一步提升模型的泛化能力，就需要更精准的标注以提升模型的能力。为此，本研究提出了一种新的方法-----重复学习法
图5所示为重复学习的过程

每次学习后都会产生新的样本，然后使用新样本重新学习得到最终的模型参数。计算模型分类的精准率（precision,Pr）、召回率（recall, Re）、平均交叉联合度量（IoU）、平均准确率（MA）,其计算公式如下：

3.实验结果和分析
使用图像分类器、区域重叠分割法和重复学习法进行胃癌图像的处理，得到分割结果采用全连接CRF进行后续处理，并在测试集上进行测试，结果可见对于两个胃癌样本图像，不采用全连接CRF处理的模型分类结果的IoU分别为77.92%、78.17%，而采用全连接CRF处理后的IoU分别上升到84.58%、83.22%，证明全连接CRF能优化语义分割结果。
分别对基础DU-Net网络模型和经3次重复学习的DU-Net模型进行测试。结果如下图1所示：