Page 222 - 《软件学报》2021年第5期

1446 Journal of Software 软件学报 Vol.32, No.5, May 2021

原始 U-Net 框架,4 支团队模型基于 U-Net+VGGNet 框架,两支团队模型基于 U-Net+FCN 框架,两支团队模型基
于 U-Net+ResNet 框架,一支团队模型基于 U-Net+DenseNet 框架,一支团队模型基于 U-Net+VGGNet+FCN 框
架,3 支团队模型基于 U-Net+ResNet+Mask R-CNN 框架;而剩余团队则分别采用 Mask R-CNN、CNN 以及定制
网络作为基础网络模型,其中,定制网络包括深层聚合、TernausNet 和 PANet.另外,模型优化根据预测的期望输
出确定损失函数.其中,28 支团队利用逐像素交叉熵损失预测二元或三元概率图,12 支团队分别使用 Dice 及其
变种损失(包括 JI 损失和 IoU 损失).为了提升网络逐像素回归能力,12 支团队又分别引入 L 1 损失和 L 2 损失.通
过端到端的模型训练,大多数团队在不同器官病理图像和整个数据集上均取得了较好的分割结果.与传统网络
相比,这些网络或损失的集成有利于互补信息,进而提升细胞核图像分割算法性能.因此,即使当图像出现核内
染质稀疏、背景杂斑干扰和细胞核重叠等情形时,它们也仍然有效.
Table 4 Segmentation performance comparison of deep learning techniques
on Kumar nucleus dataset
表 4 深度学习技术在 Kumar 细胞核数据集上的分割性能比较
模型及基础网络
相关团队
U-Net Mask R-CNN CNN FCN PANet ResNet VGGNet DenseNet 距离图
CUHK&IMSIGHT 3 − − 3 − − − − −
BUPT.J.LI − − − − − − − − −
pku.hzq 3 3 − − − 3 − − −
Yunzhi 3 − − − − 3 − − −
Navid Alemi − − − − − − − − −
xuhuaren − 3 − − − 3 − − −
aetherAI − 3 − − 3 3 − 3 −
Shuang Yang − 3 − − 3 3 − − −
Bio-totem&SYSUCC − 3 − − − 3 − − −
Amirreza Mahbod 3 − − − − − − − 3
CMU-UIUC 3 − − − − 3 − − −
Graham&Vu − 3 − − − 3 − 3 3
Unblockabulls 3 − − − − − − − −
Tencent AI Lab 3 3 − − − 3 − − −
DeepMD 3 − − − − − 3 − −
Antanas Kascenas 3 − − − − − 3 − 3
Johannes Stegmaier 3 − − − − − − − 3
Yanping 3 3 − − − 3 − − −
Philipp Gruening 3 − − − − − 3 − −
Agilent Labs 3 − − − − − − − 3
Konica Minolta Lab EU 3 − − − − − 3 − −
OnePiece 3 − − − − − − − −
Junma − − − − − − − − −
Biosciences R&D, TCS 3 − − − − − − − −
Azam Khan − 3 − − − 3 − − −
CVBLab 3 − − − − − − − −
Linmin Pei 3 − − − − − − − −
Peter Naylor 3 − − 3 − − − − −
Kumar − − 3 − − − − − −
DB-KR-JU − − − − − − − − −
VISILAB − − − − − − 3 − −
Sabarinathan 3 − − − − − − − −
Fuyong Xing − − 3 − − − − − −
Silvers 3 − − − − − − 3 −
TJ 3 − − 3 − − 3 − −