Page 215 - 《软件学报》2021年第5期

宋杰 等:基于深度学习的数字病理图像分割综述与展望 1439

Fig.12 CNN3 model for nuclear segmentation
图 12 用于细胞核分割的 CNN3 模型

4.2 基于FCN的病理图像分割方法
基于 FCN 的病理图像分割方法通常使用像素级别的人工分割样本作为训练数据集,进而通过逐像素计算
损失进行学习,例如交叉熵损失,虽然提升了传统 CNN 网络的分割性能,但由于受下采样的影响,使得上采样的
[3]
特征图很难保留有意义的空间信息,例如用于分离重叠细胞的边缘信息 .另外,由于传统像素级损失函数同等
地对待图像中每个像素点,因而当大小、厚度不一致时,分割和追踪结果会有较大差异 [82,95] ,如图 13 所示.

Fig.13 FCN-based 3D neuron segmentation and reconstruction
图 13 基于 FCN 的三维神经元分割与重构

已经有学者证明:FCN 除了改进网络结构和训练学习的方法,还可以通过定义不同的损失函数解决病理实
例的分割问题 [91,101,103,108,109] .损失函数通常作为学习准则与优化问题相联系,即通过优化算法有限次迭代网络
参数,来尽可能降低损失函数的值.而基于反向传播算法的自动求梯度,极大地简化了优化算法的实现.考虑到
边缘信息的空间特性,Chen 等人 [91] 将一个轮廓数据拟合项引入交叉熵损失函数,由此,通过随机梯度下降建模
腺体间交互关系,如图 14 所示;而 Naylor 等人 [109] 则将分割任务建模为监督回归问题,由此通过自适应矩估计
(adaptive moment estimation,简称 Adam)解决重叠细胞核分割问题.考虑到病理细胞核内外染质的差异性,
Graham 等人 [101] 提出加权交叉熵损失函数,通过对核内染质较浅的像素及核外染质较深的像素均赋值更高的
权值,实现病理细胞核的正确分割.考虑到血管厚度的不一致性,Yan 等人 [103] 将血管骨架划分为若干片段,然后
根据片段设计损失函数,通过最小化新的损失函数完成对粗、细血管的正确分割;最近,Yi 等人 [108] 采用统一 FCN
框架(如图 15 所示)对检测和分割任务进行建模,通过定义并最小化检测损失函数和分割损失函数,实现对不同
类型细胞的准确识别.类似于文献[108]的思想,何凯明等人 [124] 在区域卷积神经网络(region-based CNN,简称
R-CNN)的基础上提出 Mask R-CNN.Mask R-CNN 通过使用 ROI 对齐(RoIAlign)层代替先前模型中的 ROI 池化
层,以实现精确定位和分割目标区域的目的.这些基于损失函数变种的分割方法为提升 FCN 的分割精度提供了
另一条路径,但仍然依赖于逐像素比较差异的机制,使其对空间几何信息约束的能力十分有限.此外,它们需要
较大规模的训练数据集以经验拟合深层网络参数,且计算复杂度高.