DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation解读

摘要：使用腺体的形态评估腺癌的恶性程度是病理学家常规手段，从解剖结构中准确分割腺体图像是获得可靠的形态是统计量化诊断的关键一步。在本文中，我们提出了一个高效的深度轮廓感知网络（DCAN），在统一的多任务学习框架下解决这个具有挑战性的问题。在提出的网络中，来自分层结构中的多级上下文特征被探索来为准确的腺体分割作为辅助监督。在训练过程中加入多任务正则化，可以进一步提高中间特征的判别能力。而且，我们的网络不仅可以输出准确的概率图腺体，同时也为分离成簇的物体描绘出清晰的轮廓，这进一步促进了腺体细分表现。这个统一的框架可以

当应用于大规模组织病理学数据时是有效的，同时不需要采取额外的步骤来产生轮廓。我们的方法赢得了2015年MICCAI腺体分割挑战赛，同时超过所有其他方法的13个竞争团队相当大的幅度。

 

1 引言

与我们最相关的研究工作是设计了一个用于生物医学图像分割的U型深卷积网络，并且赢得了最近几个重大挑战[30]。在本文中，我们提出了一种新的深度轮廓感知网络来解决这个挑战性的问题。我们的方法解决腺体分割的三个关键问题。第一，我们的方法利用多层次的上下文特征表示以端到端的方式进行有效的腺体分割。充分利用完全卷积网络，它可以以一个图像作为输入，直接输出概率图一次向前传播。因此，这是非常高效应用于大规模组织病理图像分析。其次，因为我们的方法不做一个关于腺体结构的假设，可以很容易推广到具有不同组织病理学的活检样本包括良性和恶性病例的分级。此外，而不是独立处理分割任务，我们的方法探索补充信息，即腺体和轮廓，在多任务学习下框架。因此，它可以同时分割腺体，并将聚类物体分成单独的物体，特别是在良性情况下有接触连接的腺体。 2015年MICCAI腺体分割挑战基准数据集的广泛实验结果证实了我们方法的有效性，产生了更好的效果性能比其他先进的方法。

 

 

2 方法

        在这一节中，我们将详细描述一下我们提出的深度轮廓感知网络准确的腺体分割。我们首先介绍完全卷积网络（