DCAN：精确腺体细胞分割的深度轮廓感知网络

DCAN：精确腺体细胞分割的深度轮廓感知网络

引用次数226
标签（空格分隔）： 翻译

---

英文词汇

malignant a. 恶性的
gland n. 腺体
glandual a. 腺体的；腺体细胞的
epithelium n. 上皮细胞
tubular a. 管状的
histopathological a. 组织病理学的
harness v. 利用
impede v. 阻碍
leverage v. 充方利用
ambiguity n. 含糊，不确定性
disentang v. 松开，解开；使理顺
colorectal a. 结肠的，直肠的
colorectal cancer histopathology image dataset 结肠癌组织病理学图像数据集

专业术语（待查）
whole slide imaging 全玻片成像。全玻片成像，也称为虚拟显微镜，指的是扫描一个完整的显微镜幻灯片，并创建一个单独的高分辨率数字文件。通常是通过捕获许多小的高分辨率图像块或条带，然后将他们拼接在一起创建一个完整的图像组织学切片。参考资料
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Y6RJMUu7-1577440902528)(https://www.mbfbioscience.com/sites/default/files/wsi.gif)]
contour-aware network 轮廓感知网络
multi-task learning framework
multi-level contextual fearture
hierarchical architecture 层次结构
auxiliary supervision 辅助监督
gland segmentation 腺体分割
probability maps 概率图
histopathological data 组织病理学数据
post-separating 后分割

histologic grades 组织学等级，根据癌细胞和组织在显微镜下的异常程度以及癌细胞生长和扩散的速度来描述肿瘤。由弱到强分为3种等级，I\II\III。
参考文章

touching glands
multi-level contextual feature repre-
sentations 多等级上下文特征表示
deep supervision 深监督
deconvolution n. 反卷积
backwards strided convolution 后向卷积
softmax classification softmax分类
auxiliary classifier 辅助分类器
Zeiss MIRAX MIDI slide scanner 一种切片显微镜
Gland Segmentation Challenge Contest in MICCAI 2015
Warwick-QU dataset
overlap-tile strategy 铺瓷砖策略
disk filter 圆盘过滤机
ablation study 剥离实验
Hausdorff distance 豪夫道斯距离
Dice index dice系数
F1 score
biomedical image segmentation 生物医学图像分割
dilated convolution 膨胀卷积
pyramid dilated convolution (PDC). 金字塔膨胀卷积DeepLabv3
fully convolutional residual network
2018 MICCAI challenge of Multi-Organ-Nuclei-Segmentation

Dilated Convolutions 膨胀卷积，在卷积核中加入一些空洞，以达到不增加参数的情况下扩大感受野的目的
DeepLab提出
Transposed Convolutions 转置卷积，FCN、UNet提出。padding和stride操作，以获得更大的输出图像。将扩大图像和卷积同时完成。区分Deconvolution
deconvolution，反卷积，卷积的数学逆操作，目的是恢复出原始的数字信号。而转置卷积可理解为目的是恢复原来的空间像素，两者是不同的。
separable convolution可分离卷积。如果卷积核可以通过两个向量的相乘获得，那么就可以将这两个向量分离，原来的卷积运算可以得到简化，极大地缩减参数量。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eAvpef8o-1577440902532)(https://miro.medium.com/max/430/1*owXMr9DonUUWP1c2Thg_Dw.png)]
depthwise separable convolution深度可分离卷积。假设深度信息和图像的空间信息不相互关联的，因此使用分离卷积可以很大程度减少参数量。Xception提出。
参考文章1
参考文章2

从事腺体细胞分割的难点：

• 腺体细胞的形态变化非常大，可归于以下两点原因：
  • 不同的组织学等级，上皮组织、肌肉组织等，形态差异巨大
  • 不同的疾病也是大相径庭的。直肠癌，乳腺癌，其癌变细胞差异也是巨大的。
    图中展示的是直肠细胞。
• 组织细胞中touching glands的存在，使得自动分开物体的方法很难执行
• 恶性情况比如中度分化和极度分化的癌细胞中，腺体的结构严重的退化了
• 此外,组织准备程序的变化,如切片和染色,也会导致组织外观的变形、人工痕迹和不一致性,这也会阻碍分割过程。

恶性的细胞一般要求大的感受野

已有工作可以分为两类：

1. 基于像素的方法，人工特征：纹理、颜色、形态线索和Haar类特征。 [11, 38, 13, 36, 37, 28, 23, 32]
2. 基于结构的方法，利用先验知识比如

正常情况下，一个典型的腺体是由一个内腔区域组成，这个空腔区域构成了管状结构和被细胞质包围着的上皮细胞核。
由腺上皮细胞产生的恶性肿瘤，也称为腺癌，是最常见的癌症形式。
在组织病理学检查中，腺体形态被广泛应用于评估几种腺瘤的恶性程度，包括乳腺癌，
前列腺癌，直肠癌等，癌变后的细胞形态也很不一样。
准确的腺体分割是获得可靠的形态学数据的重要前提，而其能够表明肿瘤严重性。
一般来说，这是由专家

上皮细胞核形成的边界信息为分裂物提供了良好的补充线索。
为此，我们提出了一种深度轮廓感知网络来分割腺体，并将聚集在一起的物体分割成单独的物体。

分化不良的细胞被用来作为测试用例，用以评估算法的性能。
训练数据由85张图像组成，良性：恶性=37:48
测试数据由两部分构成，Part A 60张图片，离线测试，Part B 20张图片，在线测试。

使用了数据增强策略来扩大训练数据集，增强变换包括：平移、旋转和弹性变形(例如，针垫变形和桶形变形)。

参考文章：
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