结合多任务学习的半监督病理图像分割方法
病理图像自动分割是计算机辅助诊断技术的重要组成部分,可降低病理科医师工作负担,提高诊断效率和准确性.本文介绍一种结合多任务学习的半监督病理图像分割方法.该方法基于半监督的方式同时进行癌症区域图像分割与分类,即首先基于极少量像素级标注图像对分割网络进行训练,然后结合图像级标注图像同时完成图像分割及分类.在网络训练过程中,通过此2个任务的交替迭代以优化网络参数,降低了深度学习模型对图像标注的依赖性.在此基础上,模型引入了动态加权交叉熵损失函数,可利用分类预测概率值自动完成每个像素的权重分配,以提高分割网络对预测概率值较低目标区域的关注度.该策略可有效保持癌症区域的细节信息,经验证可在像素标注数据量不足的情况下对乳腺癌病理图像获得良好的癌症区域分割结果.
病理图像分割、多任务学习、半监督学习、动态加权交叉熵
14
R36;TP183(病理学)
国家自然科学基金;湖南省自然科学基金项目;湖南省自然科学基金项目;湘潭大学智能计算与信息处理教育部重点实验室开放课题
2023-04-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
416-425