深度学习图像分割算法在胃癌病理切片中的可行性分析.docx

第二军医大学学报2018年8月第39卷第8期http：//

AcademicJournalofSecondMilitaryMedicalUniversity,Aug.2018,Vol.39,No.8·903·

·论著·

梁桥康湖南大学机器人视觉感知与控制技术国家工程实验室苏南中心副主任，副教授，博士生导师，湖南省自动化学会副秘书长，湖南省优秀青年骨干教师。2010年12月于中国科学技术大学获控制科学与工程博士学位，随后进入湖南大学电气与信息工程学院任教。2009年9月至2010年9月于加拿大安省理工大学从事研究助理工作。主要研究方向为人工智能技术及其应用、智能机器人技术、感知技术与人机交互等，先后承担和参与多项国家级和省级课题。作为第一作者或通信作者发表论文60余篇，其中SCI收录论文30余篇；申请发明或实用新型专利6项（其中5项已授权）；已编写教材和著作4部。

DOI：10.16781/j.0258-879x.2018.08.0903

深度学习图像分割算法在胃癌病理切片中的可行性分析

梁桥康1，南洋1，项韶1，梅丽1，孙炜1*，于观贞2*

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

[

[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DeeperU-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

[中图分类号]R735.2[文献标志码]A[文章编号]0258-879X(2018)08-0903-06

Feasibilityofdeeplearningimage-basedsegmentationalgorithminpathologicalsectionofgastriccancer

LIANGQiao-kang1,NANYang1,XIANGShao1,MEILi1,SUNWei1*,YUGuan-Zhen2*

1.NationalEngineeringLaboratoryforRobotVisionPerceptionandControl,CollegeofElectricalandInformationEngineering,HunanUniversity,HunanKeyLaboratoryofIntelligentRobotTechnologyinElectronicManufacturing,Changsha410082,Hunan,China

2.DepartmentofOncology(Ⅶ),LonghuaHospitalAffiliatedtoShanghaiUniversityofTraditionalChineseMedicine,Shanghai200032,China

[Abstract]Objective

[Abstract]ObjectiveTorecognizecancerregionsbyusingsegmentationalgorith