检索历史 清除

摘要细胞病理图像切片注重细胞单独的形态结构，成像视角精细清晰。它在拥有更好的医学诊断意义的同时，也面临着标注工作量更大、特征提取要求更高、检测目标小而密集甚至重叠以及图像规模庞大导致的处理更耗时等问题。因此，本文针对上述问题展开研究，设计并实现基于深度学习的TCT细胞切片自动检测算法，在待测切片中准确地检测和识别癌细胞，并根据其置信度标记高风险癌细胞，在此基础上，利用优化网络结构方法提升检测效率。<br>　　本文设计并实现了云端细胞标注系统。系统基于医生的简单区域标注，采用多用户协作方式进行目标标注，减少病理医生标注工作量，提升标注效率。<br>　　本文提出并实现了多尺度图像空频域特征融合的单阶段密集目标检测系统。本文采用特征金字塔网络结构，结合单阶段目标检测算法以及稠密目标检测方法对癌细胞进行检测。同时，针对模型自提取特征易过拟合、缺乏表达力的劣势，我们在不同尺度特征中融合图像空频域信息，提升特征表达力，提升模型性能。<br>　　本文提出并实现了迭代学习的流程框架。针对数据标注困难、不完整，数据集有限的问题，我们提出并实现了迭代学习方法进行数据集增广。通过研究初检过滤算法，来筛选模型确信样本，保证新增样本的可信度，提升学习效率与模型性能。<br>　　本文提出并实现了分离式组卷积算法，并进行模型网络结构的优化。细胞病理图像数据高达百亿像素级，需要更高效的网络结构来提升最终的检测速度。本文通过分析深度可分离卷积、组卷积的优势和不足，采用两阶段组数互补的组卷积来替换普通卷积，并通过优化求解，达到更高效的网络计算效率。<br>　　基于上述方法，本文设计并实现了一个基于深度学习的TCT细胞检测系统。从冷启动数据收集、迭代学习训练网络、模型优化，最终得到高精准高效的检测模型。经实验测试，本文设计的检测模型达0.46的mAP值，相比基础网络提升了0.056。