一种基于深度学习的大尺寸病理图像分割诊断方法

目的:为解决基于传统的计算机视觉类数据在处理全视野切片(病理)图像(Whole slide images,WSIs)面临尺寸大、纹理复杂、数量稀少和生成过程繁琐等问题。方法:通过病灶类型分类模型与病灶区域分割模型相互协作的辅助诊断方法,以及两个模型间的合作,实现超大尺寸的WSIs分析诊断与病灶区域分割,并在此基础上开发病理图像的实时诊断系统。结果:该方法在WSIs分析诊断上有较好的性能,每张WSIs的分析诊断时间都小于5 min,且精度优于同类算法。结论:该方法不仅提高了病理图像的诊断准确率,在处理超大尺寸的病理图像问题上速度也有很大提升,为开发病理图像的实时诊断系统提供了良好的技术支持。

基于自监督学习与语义分割相结合的内窥镜白内障图像分割

目的:基于自监督学习与语义分割方法在白内障数据集上训练深度学习模型,分割白内障手术的显微镜图像,以提升算法的准确性和鲁棒性。方法:提出CA-PSP模型实现白内障数据集语义分割,采用自监督模型BYOL预训练模型参数;为了增强网络特征表达能力,在骨干网络加入一个轻量级的网络注意力机制,即坐标注意力模块(coordinate attention)优化学习内容。结果:通过对比实验证明自监督方法及卷积注意力模块对模型性能提升的有效性,像素分割精度为93.9%,Dice系数为76.5%,mIoU系数为64.4%。结论:将自监督学习与语义分割技术相结合并应用在内窥镜白内障图像分割,能有效提升临床诊断的灵活性,为白内障手术阶段的可视化指导提供了有效参考。