面向病理圖像處理的深度學習算法研究

《面向病理圖像處理的深度學習算法研究》是依託北京大學，由李宏鋒擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：面向病理圖像處理的深度學習算法研究
• 依託單位：北京大學
• 項目負責人：李宏鋒
• 項目類別：青年科學基金項目

項目摘要

病理圖像是疾病診斷的金標準，在提供豐富病理信息的同時，所具有的模糊不均勻、結構複雜多變等特點，給傳統的處理方法帶來了極大的困難。本項目擬在對深度學習算法進行深入分析的基礎上，系統研究基於深度學習的病理圖像處理算法：結合逼近論的理論和方法，構造多層結構的基於疊代稀疏的去噪模型，處理病理圖像存在噪聲的問題；基於多尺度圖像融合的思想，設計新的自適應多尺度空間變換方法，充分利用圖像中的空間結構信息；針對訓練數據缺乏的問題，結合半監督學習與遷移學習，構建基於深度學習的病理圖像分割模型；基於流形學習的理論，構建基於流形結構約束的深度學習模型；針對深度學習方法計算效率低下的問題，構建高效的基於稀疏表示的參數最佳化模型；針對病理圖像的分類問題，構造多視角的基於稀疏疊代的病理圖像分類模型。開展基於深度學習的病理圖像處理算法研究，將進一步豐富和完善病理圖像處理模式的理論和方法，具有重要的理論與實際意義。

結題摘要

病理圖像是疾病診斷的金標準。根據項目的研究計畫，我們在項目執行期間開展了面向病理圖像處理的深度學習算法研究，取得了一系列研究成果。針對病理圖像分類任務，我們設計了一種基於特徵金字塔的注意力深度學習模型。該模型能夠充分提取圖像的多尺度信息，並通過注意力機制關注圖像中的關鍵區域以從圖像中提取關鍵性的特徵。針對病理圖像去噪任務，我們設計了一種基於新型損失函式的深度學習模型。為了更有效地去除圖像中存在的斑點噪聲，我們不僅構建了新的深層卷積神經網路結構，而且還專門設計了一種新的混合損失函式。通過採用這種新的損失函式，神經網路模型可以在訓練過程中更快更穩定地收斂。針對病理圖像分割任務，我們設計了兩種新的深度學習算法。一種是基於可變形卷積和多路徑集成的深度學習模型。該模型採用U形深層卷積神經網路作為骨幹網路，並在網路中採用稠密模組和可變性卷積以使特徵信息能夠更有效地進行傳遞和處理具有不規則形狀和大小的目標。為了減少預測偏差，我們構建了具有不同參數設定的多個網路，從而形成一個集成模型。另一種是漸進式增長的U-net（PGU-net+）深度學習模型。該模型在U-net的不同尺度之間添加殘差模組，強制在較粗的尺度上學習標註的近似形狀，並在較精細尺度上學習標註與近似形狀之間的殘差。同時，我們採取漸進式增長的策略從最粗糙的部分開始訓練模型，然後逐步將到更精細的部分。以此類推，直到訓練過程包括完整的模型。這種方式確保了該模型能夠獨立地從不同尺度提取圖像的信息。針對以上算法，我們在公開的數據集上進行了多組對比實驗。實驗結果表明，我們提出的算法在相應的病理圖像處理任務中均能獲得比其它相關方法更好的效果。對於以上研究成果，我們發表了相關學術論文，並通過參加學術會議與國內外專家進行了交流，達到預期研究目標。本項目取得的研究成果，在理論上具有創新性，並且在未來有望套用於實際臨床診斷任務，因此具有一定的理論意義與實際套用價值。