摘 要

基于深度学习的病理学图像检查是消化系统病理学检测的新发展方向，诊断筛选消化道系统癌症的重要依据，目前随着癌症发病率的不断提升，且很多恶性肿瘤（如印戒细胞）的病情发展迅速，对其检测应尽可能快速、准确，从而提高治疗效果。远程医疗是医疗体系建设的新方向，是降低检测成本，缩短检测时间的方法之一。对于减轻医院负荷，提高偏远地区或船舶等特殊环境的医疗水平具有重要意义。而数字病理切片图像的尺寸和特殊的图像特征，使得传统算法不能获得很好的鲁棒性，容易造成漏检或误检，因此本文通过研究基于深度学习的医学图像处理模型以缓解上述问题。

研究分为两个内容，对印戒细胞的目标检测和对结肠镜中病变组织的分割，为了提升印戒细胞的检测精度和检测速度，本文应用最新的目标检测模型YOLO v3，训练数据来自MICCAI国际挑战赛。并对YOLO v3 检测模型进行了深入分析，为了使模型对印戒细胞检测任务具有更好的效果，在两个方面对YOLO v3 模型进行了适应性的改进。在边界框回归中应用K-means算法对数据集标签大小按照每个网格具有的候选框的个数进行聚类，以减小偏移量的训练难度；针对单一种类目标检测的任务，YOLO v3在检测层提取特征图维度包括边界框偏移量和存在目标的概率。在病理图像分割任务中采用U-Net模型，使用Dice Loss做为模型损失函数在数据集上进行训练，并获得了准确的分割结果。

关键词：深度学习；印戒细胞；全片数字化图像； YOLO v3；U-Net

ABSTRACT

Pathological image examination is an important basis for diagnosing and screening digestive tract cancer. With the increasing incidence rate of cancer and the rapid development of many malignant tumors (such as signet ring cells), the detection should be as fast and accurate as possible, so as to improve the therapeutic effect. Telemedicine is a new direction of medical system construction, which is one of the methods to reduce the cost and time of testing. It is of great significance to reduce the hospital load and improve the medical level in remote areas or ships. However, due to the size and special image features of the digital pathological section image, the traditional target detection algorithm cannot obtain good robustness, which is easy to cause missed or false detection. Therefore, this paper studies the medical image processing model based on deep learning to alleviate the above problems.

The research is mainly divided into two parts: target detection of signet ring cells and segmentation of pathological tissue in colonoscopy. To improve the detection accuracy and speed of signet ring cells, this paper applies the YOLO v3, latest target detection model, and the training data comes from the MICCAI international challenge. To make the model have a better effect on signet ring cell detection task, the adaptability of the model was improved in two aspects. In the process of bounding box regression, K-means algorithm is applied to the object size of data’s label to reduce training difficulty. For the task of single type target detection, the dimension of feature map extracted by YOLO v3 in the detection layer includes the offset of boundary box and the probability of existing target. the feature graph dimension extracted by Yolo V3 in the detection layer includes the offset of boundary box and the probability of existing target. In the task of pathological image segmentation, u-net model is used, dice loss is used as the model loss function to train on the dataset, and accurate segmentation results are obtained.

Key words: Deep learning; signet ring cell; full digital image; YOLO v3; U-Net

目 录

摘 要 I

ABSTRACT II

第1章 绪论 1

1.1 目的及意义 1

1.2 国内外研究现状分析 1

1.2.1 目标检测算法 1

1.2.2 图像分割算法 3

1.2.3 针对WSI图像处理方法的研究 3

1.3 本文研究内容 4

1.4 章节安排 4

第2章 深度学习基本原理 5

2.1 人工神经网络基本原理 5

2.2 深度学习和深度卷积神经网络 6

2.3 本章小结 8

第3章 印戒细胞检测深度学习模型 9

3.1 YOLO v3模型 9

3.1.1 YOLO v3网络结构 9

3.1.2 多尺度特征提取 10

3.1.3 锚点 10

3.1.4 损失函数 11

3.2 实验和结果分析 12

3.2.1 数据预处理 12

3.2.2 实验环境及参数设置 13

3.2.3 实验结果与分析 14

3.3 本章小结 15

第4章 医学图像分割模型 16

4.1 U-Net模型基本结构 16

4.1.1 U-Net网络结构 16

4.1.2 上采样层 16

4.1.3 损失函数 16

4.2 实验和结果分析 16

4.2.1 数据预处理 17

4.2.2 参数设置 17

4.2.3 实验结果与分析 17

4.3 本章小结 19

第5章 结论 20

5.1 论文总结 20

5.2 研究展望 20

参考文献 21

致谢 23

绪论

本章主要介绍医学图像处理的目的及意义，对医学图像处理模型的研究现状进行了分析，并介绍了论文的主要工作，陈列了本文的章节安排。

目的及意义

数字图像处理方法可以有效改善图示信息以便人们解释^[1]，在现代社会拥有广泛的实用价值，受到了广泛关注。随着其在目标检测、目标分割等方面性能及稳定性的不断提升，其在医学图像中的应用也具有潜在价值。目前远程医疗是医疗体系建设的新方向，是降低检测成本，缩短检测时间的方法之一。对于减轻医院负荷，提高偏远地区或船舶等特殊环境的医疗水平具有重要意义。传统影像医疗诊断需要医生通过观察一组患者的病理图像寻找是否存在病变体。在这一过程中计算机图象处理技术对全片数字化图象中病变组织的特点进行提取，对这些重点区域进行提示，从而提高诊断的效率和准确性；因此计算机图像处理，可以有效缓解医生在进行病理学图像诊断时受到的主观性、自身经验和状态的限制。

病理学图像检查是诊断筛选消化道系统癌症的重要依据，随着数字病理学的逐渐成熟，对全片数字化图像（WSI）的检测能力不断提高，这可以在偏远、落后地区代替经验丰富的病理学家进行诊断以有效提高的医疗水平。但由于WSI 的尺寸较大，对其进行远程检测有一定困难，一种可行的方法就是建立数字医学模型，以自动检测不同病理图像中的目标细胞。细胞检测是结合了目标定位和识别两个任务，它的目的是在WSI的诸多组织结构中找到有价值目标，并返回目标的位置和大小信息并判断该边框中的目标所属的类别，图像分割在此基础上提供了更为精准的目标提取能力，可以将疑似病变的组织或有特殊含义的部分单独分割出来，可以辅助医生进行临床诊断或进行病理学研究。

癌症是致死率第二高的疾病，严重的威胁着人类的生命健康，其中印戒细胞是常见于消化道的恶性肿瘤细胞，有镜下肿瘤细胞胞质丰富、核被挤压于胞质一侧的特征，呈“印戒”样而得名^[2]，由于其恶性程度高，预后差，且对化疗多不敏感，因此尽早发现对治疗效果有重要意义。基于现代医学及数字图像技术的发展，智能问诊技术的不断普及，使得患者得到及时确诊和救治成为可能。因此提高对该细胞的准确检测能力，对提高线上诊断水平具有重要意义，具有较高的研究价值和推广前景。

国内外研究现状分析

近年来医学图像处理中深度学习技术的应用被广泛研究，其任务是对输入全片数字化图像中所有指定目标进行种类识别，定位和分割等操作，由于其回归难度较大但具有很强的实际意义而受到广泛关注，目前研究较多的有目标检测算法和图像分割算法等。

目标检测算法

传统的解决方法的基本流程为：选择部分区域得到一组边界框，对每个边界框中的图像进行目标识别，选择识别效果最好的边界框作为结果，完成目标的识别和定位任务。其中区域选择的方式主要有滑动窗口^[3]、选择搜索^[4]两种，滑动窗口利用穷举思想，将所有可能的边框全部列举出来并进行目标识别，筛选出最符合的检测结果，优点是容易实现，但浪费计算能力，且很难找到固定的步长选择，图像框预设大小的规则保证算法的有效性；选择算法利用候选区域的图像特征进行目标搜索，从而减少计算次数，有效的特征可以适应目标的缩放或旋转带来的差异，但是当有重合目标时，算法无法进行有效区分。