主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2021年第1期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
宋杰,肖亮,练智超,蔡子贇,蒋国平.基于深度学习的数字病理图像分割综述与展望.软件学报,0,():0
基于深度学习的数字病理图像分割综述与展望
Deep Learning Algorithms for Image Segmentation in Digital Pathology: Overview and Prospect
投稿时间:2020-08-15  修订日期:2020-09-27
DOI:10.13328/j.cnki.jos.006205
中文关键词:  数字病理|组织基元|实例分割|特征表示学习|深度模型
英文关键词:digital pathology|histologic primitives|instance segmentation|feature representation learning|deep models
基金项目:国家自然科学基金(62001247,61871226,61571230,62006127,61873326,61672298);江苏省社会发展重点研发计划(BE2018727);江苏省自然科学基金(BK20190728);江苏省高等学校自然科学研究面上项目(20KJB520005);南京邮电大学引进人才科研启动基金(NY219152,NY218120)
作者单位E-mail
宋杰 南京邮电大学 自动化学院、人工智能学院, 江苏 南京 210023  
肖亮 南京理工大学 计算机科学与工程学院, 江苏 南京 210094 xiaoliang@mail.njust.edu.cn 
练智超 南京理工大学 计算机科学与工程学院, 江苏 南京 210094  
蔡子贇 南京邮电大学 自动化学院、人工智能学院, 江苏 南京 210023  
蒋国平 南京邮电大学 自动化学院、人工智能学院, 江苏 南京 210023  
摘要点击次数: 735
全文下载次数: 401
中文摘要:
      数字病理图像分析对于乳腺癌、前列腺癌等良恶性分级诊断具有重要意义,其中组织基元的形态和目标测量是量化分析的重要依据.然而,由于病理数据多样性和复杂性等新特点,其分割任务面临着特征提取困难、实例分割困难等挑战.人工智能辅助病理量化分析,将复杂病理数据转化为可挖掘的图像特征,使得自动提取组织基元的定量化信息成为可能.特别是随着计算机计算能力的快速发展,深度学习技术凭借其强大的特征学习、设计灵活等特性在数字病理量化分析领域取得了突破性成果.本文系统概述目前代表性深度学习方法,包括卷积神经网络、全卷积网络、编码器—解码器模型、循环神经网络、生成对抗网络等方法体系,总结深度学习在病理图像分割等任务中的建模机理和应用,并梳理了现有方法的方法理论、关键技术、优缺点和性能分析.最后,本文讨论了未来数字病理图像分割深度学习建模的开放性挑战和新趋势.
英文摘要:
      The quantitative analysis of digital pathology images plays a significant role in the diagnosis of benign and malignant diseases such as breast cancer and prostate cancer, in which the morphology measurements of histologic primitives serve as a basis of quantitative analyses. However, the complex nature of digital pathology data, such as diversity, present significant challenges for such segmentation task, which might lead to difficulties in feature extraction and instance segmentation. By converting complex pathology data into minable image features using artificial intelligence assisted pathologist's analysis, it becomes possible to automatically extract quantitative information of individual primitives. Machine learning algorithms, in particular deep models, are emerging as leading tools in quantitative analyses of digital pathology. It has exhibited great power in feature learning with producing improved accuracy of various tasks. In this survey, we provide a comprehensive review of this fast-growing field. We briefly introduce popular deep models, including convolutional neural networks, fully convolutional networks, encoder-decoder architectures, recurrent neural networks, and generative adversarial networks, and summarize current deep learning achievements in various tasks, such as detection and segmentation. This study also presents the mathematical theory, key steps, main advantages and disadvantages, and performance analysis of deep learning algorithms, and interprets their formulations or modelings for specific tasks. In addition, we discuss the open challenges and potential trends of future research in pathology image segmentation using deep learning.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利