[论文阅读]DCAN-Deep Contour-Aware Networks for Accurate Gland Segmentation

1 简介

背景：

1.在常规的组织病理学检查中，腺体的形态被广泛用于评估乳腺、前列腺、结肠等多种腺癌的恶性程度

2.准确的腺体分割是获得可靠的形态学统计数据以显示肿瘤侵袭性的重要前提

3.在临床实践中，为了提高分割效率和可靠性，减少病理学家的工作量，非常需要自动分割方法

挑战：

1.根据不同的组织学分级和不同的疾病，腺的形态差异很大

2.分离相互接触腺体非常困难

3.在中、低分化腺癌等恶性肿瘤中，腺体结构严重退化

4.人工切片和染色的差异性会引起细胞形态变化加大检测分割难度

左侧为染色细胞，右侧为专家标注(每个腺体一种颜色)。上方为正常的结肠细胞，下方为病变细胞。上下差异性很大。正常腺体如左上角，由空腔、上皮细胞环绕，细胞核大多集中在外围。

本文贡献：

1.使用端到端的方法利用多级别上下文特征表示

2.不假设腺体的结构，因此可以很容易推广到不同组织病理学分级的活检样本，包括良性和恶性病例

3.多任务网络:同时实现腺体检测和腺体分割（成簇分割，如毗邻的腺体）。

2 方法

2.1 FCN with multi-level contextual features:

基于FCN，进一步利用不同层次的上下文信息，即出现在不同大小的接受野的强度。

对特征图进行上采样，并基于给定接受域的上下文线索生成预测图，然后将这些预测图通过求和操作融合在一起，经过softmax分类，生成最终分割结果。

Deep supervision:

为了强化训练过程，在C1-C2处增加加权的辅助分类器，这可以缓解梯度消失的问题，辅助监督鼓励梯度流的反向传播。

总Loss:

:加权辅助损失之和

:最终分割结果与ground truth的损失

:正则化惩罚项

2.2 Deep contour-aware network

仅仅依赖腺体对象的似然性在分离接触区域模糊的接触的腺体还是很难的。因为下采样导致空间信息丢失和特征抽象。上皮细胞核形成的边界信息为分离提供了良好的互补线索。

目的：分离互相接触的腺体（同时检测腺体）。对于大尺寸图片有明显优势。

依据：腺体边缘有一圈细胞核围绕，恰好便于分离腺体。

检测与分割共享下采样参数并共同训练，上采样参数腺体对象参数和腺体边界参数分别训练。

总Loss:去掉了加权辅助损失

基于像素点分类的损失，第一项：正则化惩罚项，第二项：腺体对象分割，第三项：腺体轮廓分割

分割mask：

检测每个像素位置为腺体且不是边缘需要满足腺体预测图的预测值大于等于腺体轮廓预测图的预测值小于

后处理：

对融合后的分割结果进行平滑处理(半径为3)、填充孔和去除小面积等后处理。最后，每个连接的组件都被标记为表示一个分段腺体的唯一值。

迁移学习：

医疗数据集由于人工成本过高而较小，在训练数据匮乏的情况下，迁移学习不失为一种不错的选择。浅层网络参数具有普适性，而深层网络参数更针对具体任务，因而浅层网络的参数可以借助其他模型初始化，既能避免过拟合又能提升效果。

论文中作者采用了PASCAL VOC 2012 dataset迁移学习。下采样过程参数使用与训练模型初始化，其他层采用高斯分布随机数初始化，并使用SGF端到端训练。实验表明，如此初始化收敛更快。

 

 

参考：

https://www.cnblogs.com/xiangfeidemengzhu/p/7453207.html