- 1、本文档共60页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
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
文档评论(0)