文献类型：期刊文章

作　　者：宋杰[1] 肖亮[2] 练智超[2] 蔡子贇[1] 蒋国平[1]

SONG Jie;XIAO Liang;LIAN Zhi-Chao;CAI Zi-Yun;JIANG Guo-Ping(College of Automation&College of Artificial Intelligence,Nanjing University of Posts and Telecommunications,Nanjing 210023,China;School of Computer Science and Engineering,Nanjing University of Science and Technology,Nanjing 210094,China)

机构地区：[1]南京邮电大学自动化学院、人工智能学院,江苏南京210023 [2]南京理工大学计算机科学与工程学院,江苏南京210094

出　　处：《软件学报》

基　　金：国家自然科学基金(62001247,61871226,61571230,62006127,61873326,61672298);江苏省社会发展重点研发计划(BE2018727);江苏省自然科学基金(BK20190728);江苏省高等学校自然科学研究面上项目(20KJB520005);南京邮电大学引进人才科研启动基金(NY219152,NY218120)。

年　　份：2021

卷　　号：32

期　　号：5

起止页码：1427-1460

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：数字病理图像分析对于乳腺癌、前列腺癌等良恶性分级诊断具有重要意义,其中,组织基元的形态和目标测量是量化分析的重要依据.然而,由于病理数据多样性和复杂性等新特点,其分割任务面临着特征提取困难、实例分割困难等挑战.人工智能辅助病理量化分析将复杂病理数据转化为可挖掘的图像特征,使得自动提取组织基元的定量化信息成为可能.特别是随着计算机计算能力的快速发展,深度学习技术凭借其强大的特征学习、设计灵活等特性在数字病理量化分析领域取得了突破性成果.系统概述目前代表性深度学习方法,包括卷积神经网络、全卷积网络、编码器-解码器模型、循环神经网络、生成对抗网络等方法体系,总结深度学习在病理图像分割等任务中的建模机理和应用,并梳理了现有方法的方法理论、关键技术、优缺点和性能分析.最后讨论了未来数字病理图像分割深度学习建模的开放性挑战和新趋势.

关 键 词：数字病理  组织基元  实例分割  特征表示学习  深度模型  

分 类 号：TP391]