文献类型：期刊文章

作　　者：梁桥康[1] 南洋[1] 项韶[1] 梅丽[1] 孙炜[1] 于观贞[2]

LIANG Qiao-kang;NAN Yang;XIANG Shao;MEI Li;SUN Wei;YU Guan-Zhen(National Engineering Laboratory for Robot Vision Perception and Control,College of Electrical and Information Engineering,Hunan University,Hunan Key Laboratory of Intelligent Robot Technology in Electronic Manufacturing,Changsha 410082,Hunan,China;Department of Oncology(Ⅶ),Longhua Hospital Affiliated to Shanghai University of Traditional Chinese Medicine,Shanghai 200032,China)

机构地区：[1]湖南大学电气与信息工程学院,机器人视觉感知与控制技术国家工程实验室,电子制造业智能机器人技术湖南省重点实验室,长沙410082 [2]上海中医药大学附属龙华医院肿瘤七科,上海200032

出　　处：《第二军医大学学报》

基　　金：国家自然科学基金(61673163),湖南省自然科学基金(2016JJ3045),电子制造业智能机器人技术湖南省重点实验室(IRT2018003).

年　　份：2018

卷　　号：39

期　　号：8

起止页码：903-908

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EMBASE、IC、JST、PROQUEST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：目的采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别。方法以U-Net网络为基本架构设计更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集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块进行初次分割,并使用图片分类器清除假阳性样本,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连接条件随机场(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,提高了模型的泛化能力和鲁棒性,可用于辅助胃癌病理诊断。

关 键 词：人工智能 胃肿瘤 病理切片 深度学习  重叠分割  全连接条件随机场  重复学习  

分 类 号：R735.2]