论文部分内容阅读
数字病理图像具有分辨率高，图像的隐含结构复杂的特点，这给病理图像的智能判读带来了图像识别难，处理时间长的问题。本文设计了快速的病理图像处理流程，并且优化和设计了几个耗时长的传统算法。 本文的主要工作和贡献如下: 1)设计了利用全卷积网络对病理图像进行分割的病理图像识别系统。病理图像通常都具有超高的分辨率，难以直接按照传统的图像识别和分割的处理流程来处理。本文通过优化了部分传统算法和全卷积网络，并利用并行技术和多模型联合训练提升了算法的识别效果且有效降低了系统的处理时间。 2)提出了基于线程池的超高分辨率图像的Otsu阈值自动分割算法，以解决常规Otsu算法在计算时需要将整张图像读入内存所带来的内存容量要求高，时间开销大的问题。该算法不受内存容量限制，还充分的利用了CPU的并行计算能力，可极大的减少计算时间。 3)提出了病理图像自动标注纠正算法，以克服由于不同类别的细胞相互夹杂无明确的区分界限而在标注线附近引入的误差。本文通过自动排除人工注线附近区域，并在训练时不计算该区域loss，从而消除了边界误差。 4)设计并实现了病理图像分割的处理系统。结合上面算法并且通过结合多个改进的全神经网络的方法和难例样本挖掘进一步提高了模型的分割效果。在Camelyon16挑战赛上的数据集的测试结果表明宏转移Iou达到0.7027，微转移Iou达到0.1810。