科研之友
微信
新浪微博
Facebook
分享链接
摘要
胃癌病理图像具有位置、形状不确定的特点，针对U-Net上采样过程容易丢失细节信息，以及胃癌病理图像数据集数量普遍偏少，容易出现过拟合的问题。提出了一种基于U-Net改进后的EOU-Net自动分割胃癌病理图像模型。EOU-Net在已有的U-Net模型基础上，以经过ImageNet21k预训练的EfficientNetV2作为骨干特征提取网络，能增强网络编码器的特征提取能力。在解码阶段，基于物体上下文特征（OCR）探究细胞像素间的关系，使用改进后的物体上下文特征模块解决上采样图像的细节丢失问题。最后使用验证阶段增强（TTA）后处理，通过对输入图像进行翻转和不同角度旋转分别预测输入图像，再通过特征融合的方式将多个输入图像预测结果进行合并，进一步优化网络的输出结果，能有效解决医学数据集较小问题。在第二届江苏大数据开发与应用大赛医疗卫生赛道、2017年中国大数据人工智能创新创业大赛数据集以及Pascal Voc 2012上的实验结果显示，与OCRNet相比，EOU-Net在测试中的平均交并比（MIoU）分别提高了1.8个百分点、0.6个百分点以及4.5个百分点，实现了更准确的胃癌分割。
- 单位
