面向病理图像处理的深度学习算法研究

Pathological images are regarded as the golden standard for disease diagnosis. While providing rich pathological information, pathological images are highly challenging for traditional image processing approaches due to the heterogeneity and complex structure they possess. Based on the deep understanding and analysis of the deep learning based methods, this project is to research on the pathological image processing algorithms with deep learning methods systematically: Combining the theory and method of the approximation theory, construct a multi-layer iterated sparse based denoising model for the problem of pathological image denoising; Based on the ideas of multi-scale image fusion, design a new adaptive multi-scale spatial transform method so as to make fully use of the spatial structural information of the images; Regarding the problem of lacking sufficient labeled training data, construct an effective deep learning based pathological images segmentation models with semi-supervised method and transfer learning method; Based on the theory of manifold learning, build a deep learning model with manifold regularization; Construct an efficient parameter optimization model based on the sparse representation to resolve the problem that the computational efficiency of deep learning methods can hardly satisfy the practical requirement; For the problem of pathological image classification, by combing multi-view information, construct a multi-view model based on the iterated sparse based method. Performing research on the deep learning based pathological image processing algorithms will promote the richness and perfectness of the theories and methods of the pathological image processing area. Therefore, this project possesses significant theoretical and practical values.

病理图像是疾病诊断的金标准，在提供丰富病理信息的同时，所具有的模糊不均匀、结构复杂多变等特点，给传统的处理方法带来了极大的困难。本项目拟在对深度学习算法进行深入分析的基础上，系统研究基于深度学习的病理图像处理算法：结合逼近论的理论和方法，构造多层结构的基于迭代稀疏的去噪模型，处理病理图像存在噪声的问题；基于多尺度图像融合的思想，设计新的自适应多尺度空间变换方法，充分利用图像中的空间结构信息；针对训练数据缺乏的问题，结合半监督学习与迁移学习，构建基于深度学习的病理图像分割模型；基于流形学习的理论，构建基于流形结构约束的深度学习模型；针对深度学习方法计算效率低下的问题，构建高效的基于稀疏表示的参数优化模型；针对病理图像的分类问题，构造多视角的基于稀疏迭代的病理图像分类模型。开展基于深度学习的病理图像处理算法研究，将进一步丰富和完善病理图像处理模式的理论和方法，具有重要的理论与实际意义。

病理图像是疾病诊断的金标准。根据项目的研究计划，我们在项目执行期间开展了面向病理图像处理的深度学习算法研究，取得了一系列研究成果。针对病理图像分类任务，我们设计了一种基于特征金字塔的注意力深度学习模型。该模型能够充分提取图像的多尺度信息，并通过注意力机制关注图像中的关键区域以从图像中提取关键性的特征。针对病理图像去噪任务，我们设计了一种基于新型损失函数的深度学习模型。为了更有效地去除图像中存在的斑点噪声，我们不仅构建了新的深层卷积神经网络结构，而且还专门设计了一种新的混合损失函数。通过采用这种新的损失函数，神经网络模型可以在训练过程中更快更稳定地收敛。针对病理图像分割任务，我们设计了两种新的深度学习算法。一种是基于可变形卷积和多路径集成的深度学习模型。该模型采用U形深层卷积神经网络作为骨干网络，并在网络中采用稠密模块和可变性卷积以使特征信息能够更有效地进行传递和处理具有不规则形状和大小的目标。为了减少预测偏差，我们构建了具有不同参数设置的多个网络，从而形成一个集成模型。另一种是渐进式增长的U-net（PGU-net+）深度学习模型。该模型在U-net的不同尺度之间添加残差模块，强制在较粗的尺度上学习标注的近似形状，并在较精细尺度上学习标注与近似形状之间的残差。同时，我们采取渐进式增长的策略从最粗糙的部分开始训练模型，然后逐步将到更精细的部分。以此类推，直到训练过程包括完整的模型。这种方式确保了该模型能够独立地从不同尺度提取图像的信息。针对以上算法，我们在公开的数据集上进行了多组对比实验。实验结果表明，我们提出的算法在相应的病理图像处理任务中均能获得比其它相关方法更好的效果。对于以上研究成果，我们发表了相关学术论文，并通过参加学术会议与国内外专家进行了交流，达到预期研究目标。本项目取得的研究成果，在理论上具有创新性，并且在未来有望应用于实际临床诊断任务，因此具有一定的理论意义与实际应用价值。