Pathology image analysis using segmentation deep learning algorithms阅读报告

Pathology image analysis using segmentation deep learning algorithms
1.创新点：首次对深度学习算法在WSI分析中的应用进行深入的综述
2.分割：首先分为小的patch，进行分类，把同类别的patch组合为一个分割区域。
（使用小的步长移动窗口生成具有重叠度的patch）
基于语义或者实例的分割 在像素分类上更好
3.分割流程：数据准备，图像预处理，模型选择与构建，后处理，特征提取与疾病关联
(1)数据准备：大小相同
Padding 以0来填充或者对称填充(沿着图像边界添加值与原始像素值对称的像素)
Pooling 每个接受域提取一个代表性像素，以减小特征图的大小。Max-pooling 使用最 大值表示一个接受域
(2)图像预处理：加快训练；图像归一化对训练和应用都有用，图像增强只对训练有用
归一化：把像素调节到[0,1]或者[-1,1]；标准化将每个图像通道的信号转换为均值为0，方差为1的随机变量。数据增强：降低过拟合提高一般化，包括形状增强，颜色增强（加入高斯噪声等，或者在每个通道上加入随机均值并乘以随机变换）
(3)模型选择与构建
先选择分割算法和损失函数，编码和图层操作是提高性能的应后选择。两种分割策略：先分割后分类；先检测感兴趣的区域，同时进行分割和分类。InceptionV3 ResNet
(4)训练阶段
学习超参。
(5)分割后的后处理
减少随机的预测错误和网络本身固有的限制。可用CRF算法，通过大小形状来填充等方法。
4.实例分析
例子 模型
ADC FCN
细胞核分割 XY-Net
生物标志物量化 FCN

总结：本文整理了主要的网络模型。主要介绍了整个分割过程，以CNN来分析分割过程中的原理。