Page 216 - 《软件学报》2021年第5期

1440 Journal of Software 软件学报 Vol.32, No.5, May 2021

Fig.14 DCAN model for gland and nucleus segmentation
图 14 用于腺和细胞核分割的 DCAN 模型

Fig.15 FCN model for neural cell detection and segmentation
图 15 用于神经细胞检测与分割的 FCN 模型

随着深度图像先验建模研究的发展,研究者充分意识到:需利用经典建模理论来学习病理图像实例的有效
表示,并发展出一类损失泛函驱动的深度学习分割方法.其关键是建立经典建模理论和学习机制间的相关性,代
表性方法为深度主动轮廓模型 [127−129] .主动轮廓能够将更多的图像信息引入能量泛函以提高分割的精度,且优
化理论基础坚实,为 FCN 网络的空间几何信息约束提供了新的思路.例如:文献[127]提出的端到端学习网络将
Chan-Vese 模型引入损失函数,由此建模图像中目标的空间细节;而在文献[128]中,作者使用总变差(total
variation,简称 TV)代替偏微分方程(partial differential equation,简称 PDE),通过获取 Chan-Vese 损失泛函的全局
最小值,实现了心脏磁共振图像的精准分割.相比之下,病理图像背景结构复杂,实例高密度分布、实例间出现重
叠、缠绕,因此仅仅使用简单二相或多相模型来约束损失函数学习的能力十分有限.虽然 Snake 模型通过融入几
何先验能较好地解决多目标实例分割问题 [129] ,但由于初始轮廓位置的影响,使其自动分割性能遭受大幅度的下
降.此外,水平集函数在演化过程中需保持为符号距离函数,因此,周期性地重新初始化水平集函数不仅耗时,而
且会增大数值误差.虽然李纯明等人 [132] 通过在能量泛函中引入一个惩罚项避免了重新初始化的过程,但由于外
部能量项的权重系数不能根据图像信息自适应地调整大小,因而限制了主动轮廓捕获多目标边界的能力,尤其
是待分割目标存在重叠的情况.随着病理数据中更多挑战的引入,如何在深度网络框架下,设计并引入先验约束
项以建模挑战,同时实现联合优化,仍需进一步深入研究.
综上,基于深度先验驱动的轮廓演化及推理在病理图像实例分割应用,尚有大量工作可做.
4.3 基于编码器-解码器模型的病理图像分割方法
目前,编码器-解码器模型在计算机视觉和人工智能领域得到了广泛应用.与传统 FCN 相比,编码器-解码器
模型在病理图像分析的应用逐步引起广泛关注 [57,133] .在现有的编码器-解码器模型中,U-Net [57] (见图 16)是病理
图像分割中应用最为广泛的技术之一,其主要思想是:在收缩路径上捕获全局特征和在扩展路径上实现精确定
位,从而较好解决了复杂神经元结构的分割问题.然而,U-Net 没有充分考虑像素间的局部依赖关系,使其易受目