基于深度学习的数字病理图像分割综述与展望.docx

下载文档

0
0
约9.59万字
约 63页
2024-11-30 发布于北京
举报
版权申诉
保障服务

基于深度学习的数字病理图像分割综述与展望.docx

1、本文档共63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)。

软件学报ISSN1000-9825,CODENRUXUEW

E-mail:jos@

JournalofSoftware,10.13328/ki.jos.006205]

Tel:+86-10*

基于深度学习的数字病理图像分割综述与展望宋杰1,肖亮2,练智超2,蔡子贇1,蒋国平1

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)

通讯作者:肖亮,E-mail:xiaoliang@

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.本文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,本文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

中图法分类号:TP311

基

基于深度学习的数字病理图像分割综述与展望.软件学报.

中文引用格式:宋杰,肖亮,练智超,蔡子贇,蒋国平./1000-9825/6205.htm

英文引用格式

英文引用格式:SongJ,XiaoL,LianZC,CaiZY,JiangGP.DeepLearningAlgorithmsforImageSegmentationinDigital

Pathology:OverviewandProspect.RuanJianXueBao/JournalofSoftware,2020(inChinese)./1000-9825/

6205.htm

DeepLearningAlgorithmsforImageSegmentationinDigitalPathology:OverviewandProspect

SONGJie1,XIAOLiang2,LIANZhi-Chao2,CAIZi-Yun1,JIANGGuo-Ping1

1(CollegeofAutomationCollegeofArtificialIntelligence,NanjingUniversityofPostsandTelecommunications,Nanjing210023,China)

2(SchoolofComputerScienceandEngineering,NanjingUniversityofScienceandTechnology,Nanjing210094,China)

Abstract:Thequantitativeanalysisofdigitalpathologyimagesplaysasignificantroleinthediagnosisofbenignandmalignantdiseasessuchasbreastcancerandprostatecancer,inwhichthemorphologymeasurementsofhistologicprimitivesserveasabasisofquantitativeanalyses.However,thecomplexnatureofdigitalpathologydata,suchasdiversity,presentsignificantchallengesforsuchsegmen