Page 214 - 《软件学报》2021年第5期

1438 Journal of Software 软件学报 Vol.32, No.5, May 2021

值目标中心邻近像素更高的概率值,进而实现精确检测目的,例如深度回归网 [76,78,79] 、深度投票网 [86] (如图 10 所
示)、局部敏感深度网 [79] 、CNN 和压缩感知相结合的网络模型 [104] (如图 11 所示).

Fig.10 Nucleus detection using deep voting network
图 10 基于深度投票网络的细胞核检测结果

Fig.11 Cell detection model by combining CNN and compressed sensing
图 11 CNN 和压缩感知相结合的细胞检测模型

而在病理图像分割方面,基于 CNN 预测的分割模型也是应用较为成功的技术之一.CNN 深层特征表示学
习有效提高了模型对图像噪声和数据非均匀的鲁棒性,为解决目标表观多样性的病理图像分割问题提供了有
效途径.这类模型通常使用自动学习得到的表观信息来估计目标区域和非目标区域的概率图,并依靠特定的后
处理来获得 ROI 中实例分割结果.后处理一般采取基于图像分析的方法,完成从底层视觉处理到中高层视觉特
征提取的过程.复杂背景病理图像实例分割是在成千上万个体目标汇集的图像中逐个分割出具有相对完整边
界的目标实例,而底层视觉处理到中高层视觉特征提取可充分利用图像底层信息,较好地弥补了传统 CNN 在图
像细节捕获能力上的缺陷.例如,杨林等人 [80] 针对组织病理细胞核图像,构建了两个卷积-池化层对和两个全连
接层构成的 CNN2 模型,实现了端到端的模型训练,然后根据输出结果应用水平集模型,通过最小化能量函数完
成对测试图像重叠细胞核的分割.在此基础上,Kumar 等人 [40,41] 提出了更深的 CNN3 模型(如图 12 所示),实现了
更广泛病理图像的分割.此外,彭汉川等人 [87] 进一步改进基于 CNN 网络的分割框架,并在改进的网络框架上应
用分水岭合并树,进而提升神经元分割精度.
以上研究主要采用 CNN 逐像素预测作为初始结果,结合基于图像分析的后处理方法实现分割过程个体目
标分离.由于这两个过程相互独立,从而导致这类方法可迁移性较差.当前研究进展表明,基于 CNN 的分割模型
最关键的问题在于尝试通过端到端的模式将经典方法理论引入网络训练过程.其中,代表性的端到端模型包括
泛洪网络 [100] 、图网络 [111] 以及其他新型网络模型.例如,Albarqouni 等人 [77] 在 CNN 中引入了一种新型众包
(crowdsourcing)层,通过反向传播方式,直接利用噪声标签实现了端到端的训练.该方法可获取不同标注者的可
信度和偏差,并在不同组织病理数据集上取得最优结果.另外,针对三维神经突分割问题,Zeng 等人 [96] 提出了一
种新的基于 Inception-残差学习的 CNN 网络模型.研究表明:Inception 模块施加残差学习策略可以更加高效地
学习多尺度上下文信息,从而可实现不同厚度目标边缘的准确预测.