【摘 要】
：
组织病理学在乳腺疾病的临床诊断中具有重要作用,早期诊断和辅助治疗对病人有很大帮助。随着人工智能的发展,深度学习在病理图像分割领域取得了显著的成果,然而这些模型需要大量的数据进行训练,相关数据的标注需要专业病理学家操作,人力和时间成本较高。基于对抗学习的半监督领域自适应方法只需要少量的标注就能够训练出效果较好的模型,因此其被应用到图像分割领域。然而,目前的领域自适应方法的分割效果并不十分精准,本文针
论文部分内容阅读
组织病理学在乳腺疾病的临床诊断中具有重要作用,早期诊断和辅助治疗对病人有很大帮助。随着人工智能的发展,深度学习在病理图像分割领域取得了显著的成果,然而这些模型需要大量的数据进行训练,相关数据的标注需要专业病理学家操作,人力和时间成本较高。基于对抗学习的半监督领域自适应方法只需要少量的标注就能够训练出效果较好的模型,因此其被应用到图像分割领域。然而,目前的领域自适应方法的分割效果并不十分精准,本文针对经过苏木精-伊红（Hematoxylin-Eosin,HE）和免疫组织化学（Immunohistochemistry,IHC）染色病理图像的乳腺肿瘤区域分割算法,进行了深入研究和分析,主要工作如下:（1）为了探究不同染色图像对分割模型训练的影响因素,本文对多种分割网络进行测试,在HE和IHC两种染色数据集上进行实验。充分的对比实验说明使用HE数据训练的模型难以对IHC数据进行测试,颜色扰动极大程度地干扰了分割模型的训练。（2）为了解决数据依赖,难以跨域进行分割的问题,本文使用基于领域自适应的学习策略。得益于领域自适应中对抗学习的思想,鉴别器迫使分割网络对不同域的图像生成类似的分割结果,使得网络具有更好的泛化能力。本文在HE和IHC数据集上进行了充足的实验,结果证实本文所提出的方法可以有效的进行跨域病理图像分割。（3）为了提取具有可靠性、代表性的数据样本对网络进行训练,本文提出一种熵排序和代表性数据选择的融合算法,该算法对二次训练数据进行高效、有效的选择,将伪标签和源数据混合进行训练。实验证明,经过数据筛选的算法可以在第二项工作的基础上进一步提升跨域分割效果。提出的方法只需要少量标注,能有效减少病理专家的标记任务,图像分割准确有效,减小了标注数据所需要的人力,在乳腺肿瘤区域分割领域具有一定的应用价值。
其他文献
病理切片对临床诊断以及病理学研究有着重要的意义,数字切片的出现提高了病理医生的工作效率,为远程病理诊断以及AI医疗辅诊提供新的研究方向。然而中心化的存储以及医疗隐私泄漏等问题导致切片数据在医疗机构中形成了数据孤岛,阻碍了数字切片技术的进一步发展。区块链技术的发展为医疗数据存储与共享提供了新思路,去中心化、不可篡改、可溯源等优点使其被广泛的使用在数字货币、商品溯源、医疗安全等领域。Hyper Led
随着计算机的处理速度不断提高,信息技术与其相关的业务也呈现爆炸式增长,其中就包括互联网、物联网以及各类信息网。网络技术和多媒体技术在各种应用领域的高速发展,同时刺激了市场对数字产品的需求。但随着数字产品的应用日益增多,信息的非法复制、编辑等问题也是层出不穷。数字水印技术是解决上述问题的有效方法之一,可以有效地应用于数字产品信息的安全防护。数字水印技术通过将需要隐藏的信息嵌入到信息载体中,防止信息在
随着我国城市化建设的逐步完善,降低城市火灾发生率,减少伤亡和损失一直是城市消防建设的重大目标之一。现有的火灾预警系统或智慧消防系统能在火灾发生时及时报警,但尚存诸多不足:（1）系统缺乏大数据技术的支撑,不具备数据集中化管理能力;（2）面对海量的消防数据,缺乏有效的数据挖掘和分析应用;（3）现有火灾预警系统依靠物联网设备实现,缺少火灾预测的应用或预测效果不佳;（4）城市火灾预防采用的消防单位安全风险
随着电子信息化的崛起和科学研究的迭代,人们的生活也在进行着改变,信息的过载已经是目前计算机应用里要面临的重要问题,用户们需要从大量的信息中耗费时间来提取自己所需要的信息。而推荐系统就可以为用户筛选出有效的信息,来解决这个问题。目前协同过滤推荐,混合式的推荐等方法已经在很多互联网平台中得到了应用,为用户来推荐想要的信息。同样的,随着电子商务的迅猛的势头,网上购物行为在人们生活中开始扮演着不可或缺的角
现如今,利用信息系统进行业务和数据管理已是日常办公的主要手段。然而,随着对系统的不断使用以及用户的不断增加,大并发和海量数据带来的性能瓶颈日益突显,因版本迭代导致的模块更新也越来越频繁。如何能在大数据、高并发的情况下保证业务系统的高效运行,以及如何在模块迭代过程中保证其它业务模块正常运行,是当下行业信息化系统亟待解决的两大应用痛点。本文所设计的管理信息系统（MIS）通用框架,从软件的可复用性角度出
图像语义分割是计算机视觉领域的主要任务之一,其目的是对图像中的每个像素点进行分类,预测像素点对应的语义标签。随着深度学习研究的不断深入,基于卷积神经网络的语义分割算法通过多层级联的复杂结构直接从图像中提取更具有表达能力的目标特征信息,提高了分割的精度。为了更有效提取图像的特征信息以增强分割效果,本文基于深度学习技术,从高效利用卷积神经网络各层级特征信息的角度出发,对多层特征融合的语义分割算法进行研
知识图谱生成中所使用的数据存在来源不同、类型多样、利用率低等特征,这些特征易造成多源数据难表征问题和知识图谱检索效率低问题。针对上述问题,迫切需要多源异构数据有效表征及检索优化方法。本文面向多源异构文本数据表征及检索优化方法展开研究,主要工作如下:第一、本文通过研究多源数据、知识图谱和图检索技术,探究三者间的关联,揭示了知识图谱中的多源数据图表征问题以及图表征下多源数据快速检索问题,并就相关问题的
协同过滤技术存在数据稀疏性和可扩展性问题,容易导致推荐准确度和推荐效率低下,严重限制推荐技术发展。针对上述问题,本文采用频繁模式挖掘技术和聚类技术对协同过滤算法进行改进。主要研究内容如下:第一、本文结合关联规则算法提出基于频繁项集挖掘的评分填充矩阵方法。通过挖掘项目间潜在关联性,预测未评分项目评分值,用于降低评分矩阵稀疏度和填充误差。经过实验评估,填充后评分矩阵稀疏度相比传统协同过算法降低约7%,
甲状腺结节性疾病的发病率逐年升高,是目前最常见的结节性疾病之一,正确的诊断出甲状腺超声图像的良恶性尤为重要。在临床诊断中,超声检测由于其实时性和损害性小等优势成为诊断甲状腺结节的常规手段。但是,目前的超声检测所得到的甲状腺超声图像分辨率低,有大量的噪声干扰,并且其诊断结果主要依赖于医生的经验与主观判断,诊断难度大,工作量大。因此为了减轻医生的工作负担,提高甲状腺结节性疾病的诊断效率,通过人工智能技
随着信息时代的到来,许多企业都需要拥有任务调度系统,来处理不同业务场景的任务调度需求。在这些任务中,比较常见的就是定时任务,比如某个公司的周期性日报通知,基金公司每天定时更新基金净值和电商平台定期举办的秒杀活动等。因为定时任务的应用场景在不断增加,定时任务的触发条件也越来越复杂,公司对定时任务应用的需求量也逐渐增长,所以,企业对任务调度系统的要求越来越高。过去,单台服务器就能轻松解决企业的任务调度