DCAN：精確腺體細胞分割的深度輪廓感知網絡

DCAN：精確腺體細胞分割的深度輪廓感知網絡

引用次數226
標籤（空格分隔）： 翻譯

---

英文詞彙

malignant a. 惡性的
gland n. 腺體
glandual a. 腺體的；腺體細胞的
epithelium n. 上皮細胞
tubular a. 管狀的
histopathological a. 組織病理學的
harness v. 利用
impede v. 阻礙
leverage v. 充方利用
ambiguity n. 含糊，不確定性
disentang v. 鬆開，解開；使理順
colorectal a. 結腸的，直腸的
colorectal cancer histopathology image dataset 結腸癌組織病理學圖像數據集

專業術語（待查）
whole slide imaging 全玻片成像。全玻片成像，也稱爲虛擬顯微鏡，指的是掃描一個完整的顯微鏡幻燈片，並創建一個單獨的高分辨率數字文件。通常是通過捕獲許多小的高分辨率圖像塊或條帶，然後將他們拼接在一起創建一個完整的圖像組織學切片。參考資料
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Y6RJMUu7-1577440902528)(https://www.mbfbioscience.com/sites/default/files/wsi.gif)]
contour-aware network 輪廓感知網絡
multi-task learning framework
multi-level contextual fearture
hierarchical architecture 層次結構
auxiliary supervision 輔助監督
gland segmentation 腺體分割
probability maps 概率圖
histopathological data 組織病理學數據
post-separating 後分割

histologic grades 組織學等級，根據癌細胞和組織在顯微鏡下的異常程度以及癌細胞生長和擴散的速度來描述腫瘤。由弱到強分爲3種等級，I\II\III。
參考文章

touching glands
multi-level contextual feature repre-
sentations 多等級上下文特徵表示
deep supervision 深監督
deconvolution n. 反捲積
backwards strided convolution 後向卷積
softmax classification softmax分類
auxiliary classifier 輔助分類器
Zeiss MIRAX MIDI slide scanner 一種切片顯微鏡
Gland Segmentation Challenge Contest in MICCAI 2015
Warwick-QU dataset
overlap-tile strategy 鋪瓷磚策略
disk filter 圓盤過濾機
ablation study 剝離實驗
Hausdorff distance 豪夫道斯距離
Dice index dice係數
F1 score
biomedical image segmentation 生物醫學圖像分割
dilated convolution 膨脹卷積
pyramid dilated convolution (PDC). 金字塔膨脹卷積DeepLabv3
fully convolutional residual network
2018 MICCAI challenge of Multi-Organ-Nuclei-Segmentation

Dilated Convolutions 膨脹卷積，在卷積核中加入一些空洞，以達到不增加參數的情況下擴大感受野的目的
DeepLab提出
Transposed Convolutions 轉置卷積，FCN、UNet提出。padding和stride操作，以獲得更大的輸出圖像。將擴大圖像和卷積同時完成。區分Deconvolution
deconvolution，反捲積，卷積的數學逆操作，目的是恢復出原始的數字信號。而轉置卷積可理解爲目的是恢復原來的空間像素，兩者是不同的。
separable convolution可分離卷積。如果卷積核可以通過兩個向量的相乘獲得，那麼就可以將這兩個向量分離，原來的卷積運算可以得到簡化，極大地縮減參數量。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-eAvpef8o-1577440902532)(https://miro.medium.com/max/430/1*owXMr9DonUUWP1c2Thg_Dw.png)]
depthwise separable convolution深度可分離卷積。假設深度信息和圖像的空間信息不相互關聯的，因此使用分離卷積可以很大程度減少參數量。Xception提出。
參考文章1
參考文章2

從事腺體細胞分割的難點：

• 腺體細胞的形態變化非常大，可歸於以下兩點原因：
  • 不同的組織學等級，上皮組織、肌肉組織等，形態差異巨大
  • 不同的疾病也是大相徑庭的。直腸癌，乳腺癌，其癌變細胞差異也是巨大的。
    圖中展示的是直腸細胞。
• 組織細胞中touching glands的存在，使得自動分開物體的方法很難執行
• 惡性情況比如中度分化和極度分化的癌細胞中，腺體的結構嚴重的退化了
• 此外,組織準備程序的變化,如切片和染色,也會導致組織外觀的變形、人工痕跡和不一致性,這也會阻礙分割過程。

惡性的細胞一般要求大的感受野

已有工作可以分爲兩類：

1. 基於像素的方法，人工特徵：紋理、顏色、形態線索和Haar類特徵。 [11, 38, 13, 36, 37, 28, 23, 32]
2. 基於結構的方法，利用先驗知識比如

正常情況下，一個典型的腺體是由一個內腔區域組成，這個空腔區域構成了管狀結構和被細胞質包圍着的上皮細胞核。
由腺上皮細胞產生的惡性腫瘤，也稱爲腺癌，是最常見的癌症形式。
在組織病理學檢查中，腺體形態被廣泛應用於評估幾種腺瘤的惡性程度，包括乳腺癌，
前列腺癌，直腸癌等，癌變後的細胞形態也很不一樣。
準確的腺體分割是獲得可靠的形態學數據的重要前提，而其能夠表明腫瘤嚴重性。
一般來說，這是由專家

上皮細胞核形成的邊界信息爲分裂物提供了良好的補充線索。
爲此，我們提出了一種深度輪廓感知網絡來分割腺體，並將聚集在一起的物體分割成單獨的物體。

分化不良的細胞被用來作爲測試用例，用以評估算法的性能。
訓練數據由85張圖像組成，良性：惡性=37:48
測試數據由兩部分構成，Part A 60張圖片，離線測試，Part B 20張圖片，在線測試。

使用了數據增強策略來擴大訓練數據集，增強變換包括：平移、旋轉和彈性變形(例如，針墊變形和桶形變形)。

參考文章：
博客1
博客2

1. we show the importance of long-range context in biomedical image segmentation.
2. Zhou et al. [15] showed that the actual size of the receptive fields in a CNN is much smaller than the theoretical size, especially on high-level layers.
3. Fisher et al. [16] propose dilated convolution which can exponentially enlarge receptive field to capture long-range context without losing spatial resolution and increasing the number of parameters.
4. capturing more context with a long-range receptive field will bring stronger features which can help to eliminate ambiguity and improve the classification performance.

The PDC module used in this paper consists of four parallel dilated convolutions with different dilated rates.

Different from previous works that directly link an encoder layer to a decoder layer, we utilize a PDC module to control the information being passed via the skip connections.

The first dataset is the colorectal cancer histopathology image dataset which consists of 85 images of size 775×522 scanned at 40x and contains a total of 795 delineated tubules.

The second dataset is the estrogen receptor positive (ER+) breast cancer (BCa) histopathology image dataset which consists of 42 images of size
1000×1000 scanned at 20x and contains a total of 1735 epithelium regions. To make better use of this dataset, we split each image into four non-overlapping image tiles of 500×500