基于迁移学习的病理图像细胞检测方法研究.pdfVIP

摘要

基于迁移学习的病理图像细胞检测方法研究

病理诊断是很多种疾病诊断的金标准，癌症的确诊同样依靠病理图像结果的

支撑，病理图像的细胞检测对于癌症诊断、评级、预后具有重要意义。尽管基于

深度神经网络的全监督的病理图像细胞检测已经取得了很好的效果，但是全监督

的网络模型要求对病理图像进行像素级的标注，其标注量巨大且标注成本过高。

同时病理图像中细胞会因染色和成像不同而呈现差异，导致传统细胞检测模型难

以适用于不同类型染色的病理图像。

针对目标域数据集存在标注样本太少或标注缺失的问题，本文考虑通过引入

多种染色数据集来弥补标注缺失问题，但现有的全监督模型仅能在单一染色病理

图像上进行细胞检测，不能实现跨染色数据集的训练。为了解决以上问题，本文

引入迁移学习的方法。对于标注缺失的数据集本文提出了基于迁移学习的无监督

病理图像细胞检测方法。对于含有少量标注数据集来说，设计一个半监督的迁移

学习方法来检测病理图像细胞。其内容如下：

1、本文设计了基于迁移学习的无监督病理图像细胞检测方法，该方法是无

监督域自适应的端到端对抗学习模型，用于细胞检测。即将不同染色病理图像相

互转换模块和细胞检测模块合并为一个端到端模型，以实现准确性的相互制约。

此外，本研究提出了一种跨域一致性损失，该损失可以同步修改图像转换和细胞

检测的结果。比较实验的结果表明，本文提出的方法对比于其他方法达到了最佳

性能。

2、本文设计了基于迁移学习的半监督病理图像细胞检测方法，该方法是基

于交叉一致性的半监督语义分割方法在域适应上的应用。一致性训练是在聚类假

设下利用未标注数据的强大半监督学习框架，该方法使用可用的标注数据以监督

的方式训练共享编码器和主解码器。为了利用未标注的数据，本文在主解码器预

测和辅助解码器的预测之间保持一致性，以编码器输出的不同干扰版本为输入，

从而改善了编码器的表示形式。实验结果表明，本文提出方法的性能优于少量标

注数据的全监督方法性能。

I

关键词：

迁移学习，深度域适应，细胞检测，细胞核检测，无监督学习，半监督学习

II

Abstract

ResearchonCellDetectioninPathologicalImages

BasedonTransferLearning

Pathologicaldiagnosisisthegoldstandardofmostdiseases,andtheinformation

providedbypathologicaltestshasbecomethekeyproofformanydiseases.Cell

detectionofpathologicalimagesisofgreatsignificanceforcancerdiagnosis,grading,

andprognosis.Althoughsupervisedmethodshaveshowngreatperformanceoncell

detectionforpathologicalimages,highcostofmanualpixel-levelannotationmakesit

hardaccess.Inaddition,cellsindifferentstaininghavediversityofvisual

characteristics.Therefore,itisagreatrequirementtodevelopcross-modalfor

detectingcellsinpathologicalimages.

Thisarticleaimstoapplytransferlearningmetho