论文部分内容阅读
抗核抗体(Antinuclear Antibody,ANA)检验是血清学诊断系统性红斑狼疮(Systemic Lupus Erythematosus),Sjorgrens综合征和类风湿性关节炎(Rheumatoid Arthritis)等多种自身免疫疾病的常用方案。用间接免疫荧光法(Indirect Immunofluorescence,IIF)染色的人体上皮2型(Human epithelial type 2,HEp-2)细胞是ANA检验的金标准(Gold Standard)。在临床诊断中,需要至少三位检验科医师通过荧光显微镜观察,分析这些患者的HEp-2样本图像并通过投票决定染色模式。显然,当样本图像数据量很大时,这种方法非常耗时;同时,由于医生的主观经验和成像条件的变化(比如染色方式等),检验结果通常不是很客观。而基于手工特征的HEp-2细胞图像分析系统往往性能表现不佳。近年来,基于深度卷积神经网络的方法在自然图像识别,图像生成,目标检测等多个任务中取得了较好的效果。受其启发,本文主要研究基于深度卷积网络的HEp-2细胞图像分析系统;探讨HEp-2细胞图像分类,HEp-2样本图像分割以及HEp-2样本图像分类三个任务,并提出了对应的解决方案,总结如下:1)提出基于深度交叉残差网络(Deep Cross Residual Network)的HEp-2细胞图像分类算法。参考深度残差网络的残差连接方法并扩展提出交叉残差模块。通过类别均衡的数据增强方法成功训练了深度交叉残差网络。无需引入任何外部数据就在两个基准数据集上都取得了较好效果。2)提出基于双串联生成对抗网络的HEp-2样本图像分割算法。将两个基于生成对抗网络(Generative Adversarial Network)的图像迁移模型串联完成了从荧光染色的HEp-2样本图像到二值掩码图像的分割任务。在I3A Task2数据集上的分割性能超过了此前所有基于生成模型的方法。3)采用了Mask R-CNN实例分割算法来完成HEp-2样本图像的分割和分类,并引入了高效空洞金字塔模块和软-非极大值抑制算法来改进Mask R-CNN的结果。在I3A Task2数据集上取得了较好的样本分割和分类性能。