基于先验知识挖掘的宫颈细胞图像实例分割方法.pdfVIP

基于先验知识挖掘的宫颈细胞图像实例分割方法

摘要

宫颈癌严重威胁着女性健康，及时发现和治疗至关重要。随着深度学习的快

速发展，计算机辅助诊断系统为宫颈癌的大规模筛查带来了希望。在宫颈癌辅助

诊断系统中，宫颈细胞的实例分割任务是非常重要的一环，它的目的是从宫颈细

胞图像中精确地分割出每个细胞的细胞质和细胞核。然而，由于宫颈细胞的特殊

性，这项任务面临着诸多挑战，例如细胞密集、容易聚集形成大面积的重叠和粘

连、甚至在视觉上无法区分单个细胞，同时受病人个体差异和染色风格等多种因

素影响，细胞样本风格差异较大。针对这些挑战，本文深入研究基于深度学习的

宫颈细胞核质实例分割方法，主要工作内容如下：

（1）针对海量宫颈细胞图像的标注数据获取困难的问题，提出了一种基于

人类视觉模拟的无监督宫颈细胞实例分割方法（HVS-Unsup）。该方法包括三个

阶段，第一个阶段利用宫颈细胞的多种先验知识生成伪标签。第二个阶段设计了

一个融合多种显式注意力的深度学习网络，设计并融合了细胞核特征增强模块

（NEM）和掩码辅助分割模块（MAS）来增强网络的多尺度特征学习，并针对第

一阶段生成的伪标签存在一定程度的漏检问题，设计了一个类别感知丢弃损失，

扩大网络解空间，使网络挖掘更多的假阴性实例。第三个阶段通过多轮的自训练

策略纠正错误标签，提升模型的分割精度。在私有数据集MS-CellSeg和公开数据

集Cx22和ISBI2015上的实验结果表明，HVS-Unsup在无监督宫颈细胞分割任务

上优于现有主流方法。

（2）针对宫颈细胞存在的重叠粘连，甚至视觉不可分等问题，提出了一种

基于主动学习的多分支实例分割网络（MBSeg）。首先，将HVS-Unsup作为预训

练模型，通过主动学习策略获得准确的像素级的标签，为MBSeg提供准确的标

注数据。接着，MBSeg在CondInst网络中新增了一种重叠分割分支，并引入交叉

熵损失以平衡正负样本之间的差异，赋予网络对重叠区域的学习能力，并与掩模

分支相融合，使掩模分支能够获得更准确的重叠区域感受野，提升分割精度。在

MS-CellSeg、Cx22和ISBI2015数据集上的实验证明了MBSeg在分割重叠细胞方

面的优越性。

（3）针对宫颈细胞图像的风格多样的问题，提出了一个基于结构先验的扰

动增强半监督宫颈细胞分割网络（SP-SemiSeg），该网络以MBSeg为深度学习模

型，采用教师-学生框架进行训练，并从多个角度探索更加广阔的扰动空间。在学

生模型训练时，添加了双流扰动分支和特征扰动分支，提高了学生模型的泛化

-I-

性，并提出了一种基于宫颈细胞的结构先验的对比损失，它根据细胞的结构先验

确定正样本和负样本，让学生模型的预测实例接近正样本的同时远离负样本，通

过模型的迭代训练减少假阳性和假阴性标签，提升模型性能。在Cx22和自建多

风格数据集上的实验结果证明了SP-SemiSeg方法的优越性，能有效的提升模型

的准确度和泛化性。

综上所述，针对宫颈细胞实例分割中的各种问题和挑战，本文提出了对应的

解决方案，并在多个宫颈细胞数据集上设计了大量实验验证了所提方法的有效

性。实验结果表明，所提出的HVS-Unsup方法可以在没有任何标注数据的情况下

获得接近全监督的性能，在实例分割网络中添加重叠分割分支可以有效提升重叠

区域的分割效果，提出的SP-SemiSeg方法在提升模型的鲁棒性方面具有巨大潜

力。

关键词宫颈细胞分割；无监督学习；主动学习；半监督学习；先验知识

-II-

Cervicalcellimageinstancesegmentationmethod

basedonpriorknowledgemining

Abstract

Cervicalcancerposesaseriousthreattowomenshealth,andtimelydetectionand

treatmentarecrucial.Withtherap