肾小球超微结构分割算法:基于区域级对比学习的深度模型

目的为了提高深度模型对电子显微镜图像中肾小球超微结构的分割性能,提出了一种基于超微结构语义相似性的区域级自监督对比学习方法USRegCon。方法USRegCon使用大量无标记数据对模型进行预训练,该预训练过程包括3个步骤:(1)模型对图像中超微结构信息进行编码和解码,并根据超微结构的语义相似性自适应地将图像划分为多个区域;(2)依据所划分的区域,使用区域池化操作提取出每个区域的一阶灰度区域表示和深度语义区域表示;(3)对于一阶灰度区域表示,构建了灰度损失函数,目标为最小化区域内的灰度差异和最大化区域间的灰度差异。对于深度语义区域表示,构建了语义损失函数,目标为最大化表示空间中正区域对的相似性和负区域对的差异性。这两个损失函数将联合对模型进行预训练。结果基于私有数据集GlomEM,USRegCon在肾小球滤过屏障三层超微结构的分割任务中,对基底膜、内皮细胞和足细胞均获得了良好的分割结果,Dice系数分别为85.69±0.13%、74.59±0.13%和78.57±0.16%。该结果优于现有的多种图像级、像素级和区域级自监督对比学习方法,并逼近基于大规模标记数据集ImageNet的全监督预训练方法。结论USRegCon促进模型从大量无标记数据中学习有益的区域表示,弥补了标记数据不足的缺陷,提升了模型对肾小球超微结构的识别和边缘分割能力。

应用深度学习网络实现肾小球滤过膜超微病理图像的语义分割

肾小球滤过膜包含内皮细胞、肾小球基底膜和足细胞3层超微结构,其形态改变是诊断肾小球疾病的重要指标之一。准确的滤过膜语义分割有助于病理医生识别和判断滤过膜细微的病理改变,为相关的病理诊断提供帮助。由于肾小球滤过膜的超微病理图像不仅结构复杂而且灰度分辨率很低,传统的分割算法均只能对其中形态最简单的基底膜部分进行分割,分割精度也难以保证。本文提出基于深度学习网络DeepLab-v3的肾小球滤过膜自动语义分割算法,应用空洞卷积扩大感受野,控制图像的特征分辨率,再通过空洞空间金字塔池化来获得多尺度的图像信息,最终将肾小球滤过膜的3个组成部分同时分割出来,并均能达到较好的分割效果。本文通过对重要参数进行实验探究,使得平均分割准确度达到0.776,是目前效果相对较好的模型。