摘要
在本文中,我们介绍了一个概念上简单的网络,用于生成用于乳腺癌诊断的鉴别组织级分割掩模。我们的方法有效地分割乳房活检图像中不同类型的组织,同时预测一个鉴别图,以识别图像中的重要区域。
我们的网络Y-Net对U-Net进行了扩展和推广,增加了一个并行分支,用于区分分割结果生成,并支持卷积块模块化,允许用户在不改变网络拓扑的情况下调整网络效率。
联合分割和分类系统
我们的系统(图2)从乳房活检WSI获得ROI,并将其分成实例,送入Y-Net。Y-Net产生两个不同的输出:实例级分割掩码和实例级概率映射。实例级分割掩码对于每个实例都具有八种不同组织类型的预测标签。这些被组合在一起以产生整个ROI的分割掩码。实例级概率映射包含(对于每个像素)该实例属于其中之一的概率的最大值。网络结构图如下所示:
Y-Net概念简单,将U-Net[11]推广到联合分割和分类任务。U-Net输出一个分割掩码。Y-Net添加输出分类标签的第二个分支。分类输出与分割输出不同,需要低空间分辨率的特征提取
YNet
Y-Net: Y-Net(图3a)采用两阶段程序。第一个阶段输出实例级分段掩码,就像U-Net所做的那样,而第二个阶段添加一个并行分支,输出实例级分类标签。
YNet与UNet的不同之处在于:编码和解码的抽象表示,在每个空间上UNet使用相同的卷积块。Y-Net将这种表示抽象出来,并将卷积块表示为可以在任何地方使用的通用编码和解码块,因此不需要在每个空间级别上都相同。以这种模块化形式表示Y-Net提供了即插即用的功能,因此使用户可以在不改变网络拓扑的情况下尝试不同的卷积块设计。
宽度和深度乘数:较大的CNN架构往往比较小的架构表现更好。我们引入了两个超参数,宽度乘法器w和深度乘法器d,它们允许我们改变网络的大小。这些参数允许Y-Net跨越网络空间,从较小的网络到较大的网络,允许识别更好的网络结构。
共享特性:共享特性:U-Net在编码和解码阶段之间有跳过连接,Y-net在编码器中具有相同空间分辨率的第一个和最后一个编码块之间增加了跳过连接,如图3中带虚线箭头所示,以帮助改进分割。
结构如图