Page 225 - 《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 1449

Table 5 Segmentation performance comparison of deep learning algorithms on DRIVE, STARE,
and CHASE_DB retinal vessel datasets (Continued)
表 5 深度学习算法在 DRIVE、STARE 和 CHASE_DB 视网膜血管数据集上的分割性能比较(续)
DRIVE 数据集 STARE 数据集 CHASE_DB 数据集
方法 年份
敏感度 特异性 准确率 AUC 值 敏感度 特异性 准确率 AUC 值 敏感度 特异性 准确率 AUC 值
Wu 等人 [191] 2018 0.784 4 0.980 7 0.956 7 0.981 9 − − − − 0.753 8 0.984 7 0.963 7 0.982 5
Yan 等人 [103] 2018 0.763 1 0.982 0 0.953 8 0.975 0 0.773 5 0.985 7 0.963 8 0.983 3 0.764 1 0.980 6 0.960 7 0.977 6
Jin 等人 [105] 2019 0.796 3 0.980 0 0.956 6 0.980 2 0.759 5 0.987 8 0.964 1 0.983 2 0.815 5 0.975 2 0.961 0 0.980 4
Soomro 等人 [192] 2019 0.870 0 0.985 1 0.956 1 − 0.848 0 0.986 0 0.968 0 − 0.886 1 0.982 2 0.976 1 −
Adeyinka 等人 [193] 2019 0.760 3 − 0.952 3 − 0.741 2 − 0.958 5 − 0.713 0 − 0.948 9 −
Shin 等人 [111] 2019 0.925 5 0.938 2 0.927 1 0.980 2 0.935 2 0.959 8 0.937 8 0.987 7 0.936 4 0.946 3 0.937 3 0.983 0
Wu 等人 [194] 2019 0.803 8 0.980 2 0.957 8 0.982 1 − − − − 0.813 2 0.981 4 0.966 1 0.986 0
Guo 等人 [195] 2019 0.789 1 0.980 4 0.956 1 0.980 6 − − − − 0.788 8 0.980 1 0.962 7 0.984 0
Ma 等人 [196] 2019 0.791 6 0.981 1 0.957 0 0.981 0 − − − − − − − −
Wang 等人 [197] 2019 0.794 0 0.981 6 0.956 7 0.977 2 − − − − 0.807 4 0.982 1 0.966 1 0.981 2
Wang 等人 [198] 2020 0.799 1 0.981 3 0.958 1 0.982 3 0.818 6 0.984 4 0.967 3 0.988 1 0.823 9 0.981 3 0.967 0 0.987 1
Rodrigues 等人 [199] 2020 0.898 3 0.981 6 0.974 0 0.993 6 0.942 6 0.986 2 0.982 7 0.994 6 0.878 2 0.985 2 0.977 8 0.992 3
Wu 等人 [200] 2020 0.799 6 0.981 3 0.958 2 0.983 0 0.796 3 0.986 3 0.967 2 0.987 5 0.800 3 0.988 0 0.968 8 0.989 4

7 研究方向与开放问题

(1) 建立更具挑战性的病理图像数据集
病理图像语义分割及实例分割领域已经建立了带有人工标注的训练样本集,如 Kumar [40,41] 、Warwick-
[6]
QU ,但仍然需要更具挑战性的数据集.一般而言,不同显微成像和染色处理的病理数据仅能反映组织或器官特
定的解剖和功能信息,且各有优缺点,而当前,临床研究和应用通常需要多种成像原理和模态的病理图像的综合
分析.具体地,病理诊断报告是病理学中的重要临床数据.除了肉眼观察,病理专家还将活检组织的观察结果以
自然语言形式记录在病理报告中,例如细胞的位置、数量等.因此,大规模地获取多样化和多模态的可训练病理
数据集将非常有意义.另外,随着 3D 图像分割的普及应用,生物医学研究也迫切需要更具挑战性的 3D 病理图像
数据集.
(2) 模型的可解释性
深度学习技术虽然凭借其强大的特征学习、设计灵活等特性在数字病理量化分析领域取得了突破性成果,
但是其主要问题是模型的决策过程难以理解,例如深度模型学习什么?如何解释模型学习得到的特征?在给定
数据集上实现特定分割精度所需最优网络架构等.相对于大规模病理数据集的建立,深度模型决策过程的理解
对于数字病理的发展更为重要,为病理学领域的新发现提供契机.至今为止,一些研究已经尝试提供解决方案,
包括隐层分析法 [201,202] 、模拟模型方法 [203,204] 、注意力机制 [205] 等,但这些方法本质上仍是通过隐层特征的可视
化与分析获取某种程度的局部可解释性.因此,建立融合可解释性技术与模型的病理图像处理与分析新方法,是
值得进一步研究的方向.
(3) 多模信息融合的语义增强
深度模型的发展促进了多模信息融合与语义增强研究的进展,建立了图像视觉特征提取和文字处理间的
连接,使得深度模型对图像的理解从简单的独立标签拓展至连贯的文字描述,进而通过多模态特征交互赋予计
算机对复杂病理图像细节更强的感知能力.多模态数据融合应用时,深度网络对不同模态数据共享特征和互补
性特征的表达能力需要提高.而在数字病理领域,如何将这些解决方案嵌入到新型深度网络的设计中,挖掘多模
态病理数据中的关键特征,自适应编码特征间的多模态交互,提升深度学习技术对病理学上下文特征的提取能
力,是亟待解决的一个关键科学问题.
(4) 小样本学习问题
应用弱监督(weakly-supervised)甚至无监督学习(unsupervised learning)解决图像分割任务,是计算机视觉领