級聯稀疏卷積與決策樹集成的病理圖像細胞核分割方法

宋杰 肖亮 練智超

復雜背景病理圖像個體細胞分割是在成千上萬個體細胞匯集的圖像中逐個分割出具有相對完整邊界的細胞,為后續細胞形態計算和病理特征提供定量分析.傳統的病理切片分割方法,需要經過專門訓練的病理醫師在圖像中逐個尋找感興趣區域(Regions of interest,RoI),而后根據專業知識分析診斷.一張病理切片通常包含成百上千個細胞或細胞核,這給醫師帶來很大的工作負擔,疲勞閱片現象時有發生[1].雖然目前已有很多病理細胞圖像處理方法,但這些方法大多只關注于特定類型或單一器官的細胞或細胞核分割.因此,臨床和醫學研究迫切需要能夠進行多個器官和疾病狀態的細胞核病理圖像高精度分割方法[2].然而,如圖1所示,個體分割具有如下挑戰:一方面,對于病理狀態(例如增生或某種癌癥亞型)圖像而言,由于細胞核增大,并呈現染質濃集貼邊,即核內染質較淺,而邊緣附近染質較深;而著色較深的核仁也大量出現在核內.另一方面,由于病理圖像中往往細胞密度高、細胞間出現重疊和成團等突出問題,加劇了個體細胞分割的難度.目前方法體系主要分兩類:傳統基于人工特征的圖像分割方法和基于表示特征學習的圖像分割方法.

圖1 病理細胞核圖像分割的挑戰與人工分割結果Fig.1 Challenges in nuclear segmentation and associated ground truth

傳統圖像分割方法包括:水平集方法、圖論方法和分水嶺方法等.水平集算法是目前比較流行的分割方法.其基本模型包括兩類:基于邊緣的水平集模型[3]和基于區域的水平集模型[4].近年來,基于后者,很多改進的方法[5]被提出來廣泛應用于病理圖像的細胞分割中.在現有方法中,基于圖論的分割方法是病理圖像分析中應用最為廣泛的技術之一.最常用算法是最小割算法[6],除了主流的圖割方法,其他類型的圖模型也已經應用到個體細胞核的分割,例如屬性關系圖模型[7].另一類基于圖像分析的代表性方法是分水嶺算法,分水嶺算法通常期望目標細胞核內灰度分布均勻,并且目標與背景具有明顯灰度或顏色差異.圖像中的噪聲、目標內部灰度變化,都會產生過度分割的現象.為此,人們提出若干標記控制的分水嶺及其變種算法[8?10].傳統圖像分割方法為了得到精確的個體分割結果,通常需要分析RoI特有屬性來設計額外的后處理步驟,從而導致算法可遷移性較差.

雖然深度學習方法能較好地處理病理圖像細胞核表觀多樣性的分割問題,但由于網絡架構、網絡復雜性以及超參數的影響,使其分割性能受到限制.針對病理圖像細胞核表觀多樣性的分割問題及深度神經網絡的局限性,國內外研究者提出了系列具有較小參數規模的快速淺層分割學習模型.與現有深度學習模型相比,淺層學習模型無需非線性激活和后向傳播計算,且學習模型參數規模較小.傳統淺層分割學習方法[11?12]為了得到密集預測結果,通常使用像素周圍的一個圖像塊作為模型的輸入用于訓練和預測.由于只能提取一些局部的特征,從而導致分割的性能受到限制.而基于卷積操作的淺層學習模型[13?18]則是從抽象的特征中恢復出每個像素所屬的類別,從而可以實現比傳統模型更加精確的分割結果.然而,這類淺層分割學習模型沒有充分考慮像素間的局部依賴關系,因此對圖像細節特征快速捕獲和緊致表達能力有待加強.此外,在傳統集成決策樹學習算法中最先學習得到的一兩棵樹對預測結果的影響最為顯著,這使得整個模塊對這些樹所做出的決策過于敏感,容易產生過擬合現象.

為了解決這些問題,本文的主要貢獻是:

1)提出了級聯稀疏卷積與決策樹集成(Cascade sparse convolution and decision tree ensemble,CscDTE)學習模型,該模型沒有非線性激活和后向傳播計算,且學習模型參數規模較小,其特征學習過程具有一種替代深度神經網絡的新型學習機制;

2)采取多層稀疏可分離卷積特征學習捕獲圖像上下文特征;采取秩-1張量分解[19]的可分離卷積加速特征學習過程;

3)建立集成決策樹學習的正則化回歸模型,采取局部二階近似逼近優化決策樹,提高分類回歸泛化性能;

4)在乳腺、前列腺、腎臟、胃和膀胱等多組病理圖像的分割實驗表明該模型優于目前CNN2、CNN3和U-Net等深度學習方法,對于病理圖像分割具有較好應用前景.

1 相關工作

1.1 淺層特征學習方法

淺層特征學習分割方法中代表性方法包括稀疏編碼方法[11,13]以及多層稀疏卷積特征學習方法[15?18].相比標準的卷積濾波器組來說,稀疏可分離卷積濾波器組能夠在不影響其性能的情況下大大降低計算復雜度.例如Sironi等[13?15]通過學習一組可分離卷積濾波器有效提取圖像中曲線狀奇異邊緣結構.具體地,稀疏卷積濾波器學習方法是利用一組樣本,通過利用稀疏編碼方法[20?21]學習J個卷積濾波器

1.2 深層特征學習方法

隨著深度學習的興起,研究者提出了系列深層特征表示學習的病理圖像分割方法[23?27].代表性網絡包括卷積神經網絡(Convolutional neural networks,CNN)[24?25]和全卷積網絡(Fully convolutional network,FCN)[26?27].深度學習方法為解決細胞核表觀多樣性的圖像分割問題提供了有效途徑.通常,CNN網絡在卷積層之后會接上若干個全連接層,將卷積層產生的特征圖映射成一個固定長度的特征向量,以實現圖像級的分割任務[28](見圖2).例如,Xing 等[24]針對組織病理細胞核圖像,構建了兩個卷積—池化層對和兩個全連接層構成的CNN2模型,實現了端到端的模型訓練,進而對測試圖像的細胞核進行分割.在此基礎上,Kumar等[25]提出了更深的CNN3模型,實現了更廣泛病理圖像的分割.與CNN不同,FCN可以接受任意尺寸的輸入圖像,采用反卷積層對最后卷積層的特征圖進行上采樣,使它恢復到輸入圖像相同的尺寸,從而可實現逐像素預測,并可保留原始輸入圖像的空間信息,最后在上采樣的特征圖上進行逐像素分類[29],完成像素級的分割.例如,Zhang 等[26]通過結合FCN和基于圖論的方法,提出了一種宮頸癌細胞核分割新方法.最近,Ronneberger等訓練了一種特殊的UNet網絡結構[27](見圖3),通過在收縮路徑上捕獲全局特征和在擴展路徑上實現精確定位,較好解決了復雜神經元結構的分割問題.然而,深度學習方法需要較大規模的訓練數據集以經驗擬合深層網絡參數.

圖2 用于病理圖像分割的CNN體系結構Fig.2 The CNN-style architecture for pathology image segmentation

圖3 用于病理圖像分割的U-Net體系結構Fig.3 The U-Net-style architecture for pathology image segmentation

目前,Zhou等提出了一種多粒度級聯森林方法,稱為gcForest[12].這是一種采取非神經網絡,而采取決策樹集成的方法,性能較之深度神經網絡有很強的競爭力.深度神經網絡需要花大力氣調參,相比之下,gcForest方法更容易訓練得多.實際上,在幾乎完全一樣的超參數設置下,gcForest在處理不同領域的不同數據時,也能達到極佳的性能.

2 本文方法

針對病理圖像細胞核表觀多樣性的分割問題以及深度神經網絡的局限性,本文提出了一種復雜病理細胞核分割的級聯稀疏卷積與決策樹集成(CscDTE)學習模型,如圖4所示.假設(m,y)表示訓練樣本集,其中,是從輸入圖像I提取的特征圖集,f1是第一層學習得到的卷積濾波器組,y是嘗試預測的目標.CscDTE框架旨在漸進地提供一種非線性模型φh(m)擬合數據樣本,其中,h表示模型參數.

2.1 稀疏可分離卷積特征學習

一般而言,fj是滿秩的,當卷積較大圖像時,計算耗時.如果將這些卷積濾波器堆疊成一個三維張量Z∈Rd×d×J,其中,Z的第j個切片對應第j個卷積濾波器fj,可發現該張量存在大量冗余特征.為此,為了學習可分離核,本文進一步引入低秩張量分解技術[19],利用一組秩為1(秩-1)張量的線性組合來近似Z,從而實現可分離卷積核,加速特征計算.該方法基于如下假設:一個秩為R的濾波器fj總能由一組秩-1可分離核:線性表示:為標量權重.此時所有的fj共享同一組秩-1可分離核,只有權重系數因不同的fj而改變,且R

其中,ar和br均是長度為d的向量,cr是一個長度為J的向量,符號?表示張量積.式(2)的求解可通過使用共軛梯度下降法[30]來實現.如圖5所示,可分離核kr可由典范多元分解(Canonical polyadic decomposit ion,CPD)成分ar和br給出,即kr=ar?br.用于重構卷積濾波器fj的權重則由向量cr的第j個成分給出.為了捕獲不同類型的圖像特征,本文相應學習多個可分離核組.歸于可分離卷積核的學習機制,每個kr都能分解成一個水平濾波器和一個垂直濾波器.因此,為了獲得m,首先使用對圖像I進行快速卷積,生成一組可分離特征圖.然后,針對每個像素位置,將這些R維向量映射到一個J維向量.這等價于在可分離特征圖上應用J個空間維度為1×1的濾波器[31].

這樣,基于秩-1張量分解學習機制,本文實現了病理細胞核的多尺度方向分布式抽象特征的分層抽取.模型的每層始于稀疏可分離卷積核組的訓練及相應卷積特征圖的計算.然后以卷積特征作為樣本輸入,通過集成決策樹學習的正則化回歸模塊生成得分圖預測結果,如圖4所示.

2.2 集成決策樹學習的正則化回歸模型

圖4 兩層CscDTE學習模型示例Fig.4 Example of two-layer CscDTE architecture

圖5 基于張量分解技術學習一組秩-1可分離核Fig.5 Tensor decomposition for learning rank-1 separable kernels

令fi=f(xi,I)∈RJ表示輸入圖像I中像素點xi對應的特征向量,則從給定的樣本集(m,y)中隨機采樣N對訓練樣本集CscDTE框架中的集成決策樹學習模塊的目標是學習M棵既有預測能力又相對簡單的決策樹(見圖6):并使用這M棵決策樹的組合來預測每層的輸出:

其中,第l層第m棵決策樹(·)定義如下:

2.3 局部二階近似優化

圖6 CscDTE框架中的集成決策樹學習模塊的訓練過程Fig.6 Flowchart of the training procedure for the decision tree ensemble learning module of CscDTE framework

2.4 CscDTE學習模型

所構建的CscDTE框架由L?1個隱層和1個最終輸出層構成,且每層包含一個稀疏可分離卷積模塊和一個集成決策樹學習的正則化回歸模塊.不妨將第l層的輸出定義為φl=[φl,1,φl,2,···,φl,n]T,其中,n為圖像的像素個數.CscDTE模型將模塊對進行堆疊,這樣上層集成決策樹學習模塊的得分圖輸出為下層稀疏可分離卷積模塊的輸入.對于給定參數集合hl,CscDTE模型的前向生成過程為:

其中,nl表示從第l層輸出結果φl提取的特征圖集,且作為第l+1層集成決策樹學習模塊φl+1(·)的輸入.

如圖7 所示,由于低級圖像表觀特征占主導作用,較淺層對背景雜斑和細胞核內不均勻的染質較為敏感.因此,本文進一步引入高級上下文特征[35].具體地,從得分圖中訓練一組新的稀疏可分離卷積核并獲取新的上下文卷積特征圖集nl.為了實現更好的預測,采用級聯卷積特征[m,nl]代替nl作為新層集成決策樹學習模塊的樣本輸入.重復這一過程L次,最終獲得一個最大程度近似目標區域的輸出(見圖7(c)).同時,由于卷積特征的級聯將產生分布式冗余特征,為此,本文采取了如下兩個策略:1)在每層訓練之前,從輸入樣本中隨機采樣新的像素位置以構建新的訓練集;2)隨機采樣這些像素對應的卷積特征.

圖7 基于本文提出的CscDTE模型的分割改進Fig.7 Improvement obtained by our CscDTE model

3 實驗結果及分析

本節首先介紹用于測試分割方法的病理圖像數據集,并在此基礎上,給出所提出的CscDTE模型的最優超參數設置.然后,我們描述評估指標,并對比標記控制的分水嶺分割方法[10]、CNN 2[24]、CNN3[25]、U-Net技術[27]以及CscDTE模型的分割性能及參數規模.

3.1 數據集與最優超參數設置

癌癥基因組圖譜(The cancer genome atlas,TCGA)是被廣泛用于細胞核分割的病理數據集,因為它覆蓋了多家醫院、多位病人、不同器官以及疾病狀態信息.為了最大化細胞核表觀多樣性,本文使用Kumar等采集并標注的TCGA全切片圖像(Whole slide images,WSIs)集[25]作為算法的驗證和比較.其中,每張圖像大小為1 000×1 000.為了便于算法的驗證和比較,采用Kumar等的方法將整個數據集拆分成三個部分.第一部分用于訓練和驗證,對應12位病人,3個器官,包括4 張乳腺病理細胞核圖像、4張前列腺病理細胞核以及4 張腎臟病理細胞核圖像,總共有11 460個細胞核.因此,不管是基于圖像塊級分類的分割方法還是基于像素級分類的分割方法,即使不對數據進行擴充,這個數目也足以使它們訓練出相應的學習系統,并產生預測的分割結果.第二部分用于相同器官的測試,對應不同病人,相同三個器官,圖像總數為6幅.大多數已有的細胞核分割學習算法只局限于同一器官的訓練與測試,因此,這一部分能夠對模型的泛化能力進行有效的評估.第三部分用于更具挑戰性的不同器官的測試,對應2個器官,包括2 張胃病理細胞核圖像和2張膀胱病理細胞核圖像.

為了進一步驗證本文方法的有效性,本文也采用腎細胞癌(KIdney renal cell carcinoma,KIRC)病理數據集[36]來訓練相應CscDTE模型,并分析分割性能.來自TCGA數據門戶網站的KIRC病理數據集包含了不同類型的WSIs,涵蓋了一定范圍的KIRC 病理分級.實驗中,18 幅圖像用于訓練,20 幅圖像用于測試,且平均每幅圖像具有96個細胞核,大小為400×400.

基于驗證集中的樣本,采用留一交叉驗證方法[37]來確定CscDTE模型關鍵超參數的最優值,包括訓練樣本數量、集成決策樹學習模塊尺寸、CscDTE模型尺寸以及稀疏可分離卷積濾波器尺寸和數目.表1列出了在TCGA WSIs病理數據集上所提出CscDTE模型的最優超參數值.在訓練過程中,隨機采樣四分之一的像素位置用于集成決策樹學習模塊的訓練,在計算每棵樹的響應之后,進而使用所有的位置樣本來學習式(3)中的權重

3.2 分割比較

為了與深度學習技術進行對比,本文研究了三種不同的網絡體系:CNN2[24]、CNN3[25]和U-Net[27],并在NVIDIA GeForce GTX 1080 Ti?圖形處理單元上使用Tensorflow 框架訓練所有的網絡模型.

表2和表3分別給出了用于復雜TCGA WSIs病理圖像分割的CNN2和CNN3體系結構,包括連續的卷積—池化層對以及若干個全連接層.最后一層是Softmax層,旨在基于學習到的特征預測輸入圖像塊屬于每一類的概率.Xing 等[24]采取兩個卷積層和兩個全連接層,而Kumar等[25]則采取三個卷積層和兩個全連接層,因為加入更多的層并不會顯著提高網絡的分割精確度,反而會增加計算時間.為了獲得最好的分割性能,經驗設置其他的超參數值,包括卷積層中的濾波器尺寸和數量、隱層節點數目、以及輸入輸出尺寸等.圖3給出了用于復雜TCGA WSIs病理圖像分割的U-Net體系結構[27].該體系結構由編碼器和解碼器組成.編碼器包含由修正線性單元(Rectified linear unit,ReLU)實現的填充卷積操作,共兩層.每兩個卷積層之后,有一個步長為2的最大池化操作.每次最大池化層下采樣之后,特征通道數加倍.在解碼器中,每兩個卷積層之前,有一個 2×2 的上采樣操作,且其輸出與來自相應編碼器部分的特征相結合.最后兩層分別是1×1卷積操作和像素級Softmax 輸出,其中,1×1卷積層用于將特征圖的通道數降至所需的類別數.在本文的U-Net網絡實現中,代替數據擴充,只是隨機提取了圖像塊,不過仍然實現了令人滿意的分割性能.本文使用Tensorflow深度學習框架在TCGA WSIs病理數據集的所有樣本上對CNN2、CNN3和U-Net網絡均訓練了95次(Epochs).針對每個網絡,分別從12幅訓練圖像和3幅驗證圖像中提取了158 400個圖像塊和32 000個圖像塊用于訓練和驗證,其中包括相等數目的以細胞核像素為中心的正樣本塊和以非細胞核像素為中心的負樣本塊.另外,基于TCGA WSIs病理數據集,比較實驗分析了標記控制的分水嶺分割方法[10].

圖8和圖9顯示了在5個器官和疾病狀態下,病理細胞核圖像的分割算法對比.圖8和圖9中第(a)～ (g)列分別是原始圖像、人工分割結果、CscDTE模型分割結果、U-Net網絡分割結果、CNN3網絡分割結果、CNN2網絡分割結果和標記控制的分水嶺分割結果.需要注意的是,考慮到不同類型病理圖像顏色的異質性,在分割模型訓練之前,將原始圖像從RGB顏色空間轉換到CIE LUV 均勻顏色空間并作線性歸一化.可以看出,所提出CscDTE模型能有效應對細胞核大小、形狀和方向的變化,并最大程度地檢測正確細胞核的數目.另外,針對存在染色質稀疏、重疊和復雜背景雜斑的情形,例如,部分前列腺病理圖像和膀胱病理圖像,CscDTE模型也表現出了良好的魯棒性(見圖10).相比之下,雖然U-Net通過融入上下文信息能較好地避免復雜背景雜斑的干擾,但由于網絡深度的影響,仍然對染色質稀疏的細胞核內細節不夠敏感.CNN2利用各向同性區域生長從網絡輸出中獲取細胞核種子標記,因而易受細胞核形狀的影響,尤其是帶分割目標存在重疊和成團的情況,產生欠分割的現象.CNN3使用各向異性區域生長代替CNN2中的各向同行區域生長,雖然增加了對重疊、成團分割的魯棒性,但其受限于圖像塊級的分類.由于只能提取局部特征,導致其分割精度相比于CscDTE模型較低.作為傳統圖像分析的方法,分水嶺在分割灰度均勻的孤立細胞核時,表現得相當優異,例如圖8中的腎臟細胞核分割.然而,對于Kumar病理數據中復雜背景圖像,其分割性能遭受大幅度的下降.提出的CscDTE模型在訓練和預測時間上也優于基于CNN和FCN的體系結構,訓練所有的細胞核僅花費了兩個小時左右.

表1 提出的CscDTE模型的最優參數值.像素位置樣本總數為800 000Table 1 The optimal hyper-parameter values of our CscDTE model.The total number of pixel samples is 800 000

表2 用于病理圖像分割的CNN2體系結構Table 2 The CNN2 architecture for pathology image segmentation

表3 用于病理圖像分割的CNN3體系結構Table 3 The CNN3 architecture for pathology image segmentation

圖8 Kumar 病理細胞核相同器官圖像的分割比較Fig.8 Comparative segmentation results on the Kumar same-organs testing pathology images

圖9 Kumar 病理細胞核不同器官圖像的分割比較Fig.9 Comparative segmentation results on the Kumar different-organs testing pathology images

圖10 不同算法在具有重疊、形狀及大小不規則的病理圖像上的輪廓可視化分割結果圖Fig.10 Visualizing segmented contours of different algorithms on the pathology image with shape and color variations and overlapping regions

圖11顯示了通過使用KIRC數據集對比細胞核分割算法的可視化結果.圖中第1,5、2,6、3,7和4,8行分別是原始圖像、人工分割結果、本文方法分割結果以及U-Net網絡分割結果.提出的Csc DTE模型提供了一種定義復雜形式假設φ(·)的級聯方式,并使用其最優參數擬合病理數據.本文方法使得模型在訓練過程中能夠獲取足夠多的上下文信息.如圖11所示,相比U-Net,CscDTE模型驅動的擬合重構能夠起到信號正則化的作用.因此,即使當細胞核出現密集重疊以及形狀、大小等變化時,提出的分割方法也仍然有效.

3.3 定量分析

為了定量評估分割算法的性能,本文分別使用Jaccard相似性系數、精確率、F1分數和平均邊緣距離(ABD1ABD是基于像素級邊緣的評價方法,表示自動分割與人工分割目標邊緣間的平均距離,且漏分割和誤分割會造成ABD值過大.)三個指標來比較算法輸出的掩模P與Ground Truth 掩模R,計算如下

圖11 本文方法與U-Net方法在KIRC數據集上的分割比較Fig.11 Comparative segmentation using ours and U-Net on the KIRC dataset

表4 本文方法與其他方法在Kumar 病理數據集上的分割性能(均值)比較Table 4 Performance comparison of other methods with our CscDTE(For each metric,the mean are listed)

表5 本文方法與其他方法在Kumar 病理數據集上的分割性能(標準差)比較Table 5 Performance comparison of other methods with our CscDTE (For each metric,the standard deviation are listed)

其中,PB和RB分別對應P和R的邊緣.表4和表5給出了在TCGA WSIs病理數據集上不同算法實現的定量分割結果.可以看出,相比其他方法,提出的CscDTE模型在不同器官圖像和整個數據集上對三個指標值的改進明顯.由于本文方法更加有效地級聯低級圖像表觀特征和高級上下文特征,并結合集成決策樹學習模塊的使用,提出方法在Jaccard 相似性系數和F1分數整體值上分別超出表現最好的U-Net和CNN3方法4.4 %和2.7 %,同時在平均邊緣距離值上相比U-Net減少了大約4.8個像素.另外,定量分割結果也反映出U-Net和CNN3在相同器官和不同器官測試方面均強于CNN2,而在前列腺病理細胞核圖像上,所提出方法略遜于U-Net和CNN3.需要注意的是:1)雖然標記控制的分水嶺分割算法在相同器官測試上,超過CNN2的性能,但它們的分割精度較差,造成了大量的誤分割結果;2)本文算法無需非線性激活和后向傳播計算,雖然性能較之深度神經網絡有很強的競爭力,但由于端到端訓練的簡易性,因而當染質稀疏較為嚴重時,分割結果會有較大差異.為了便于模型的顯著性差異分析,本文進一步采用雙樣本t-檢驗統計指標[38]來對不同方法進行比較.基于F1分數,雖然提出的CscDTE模型在整個Kumar數據集上與U-Net模型、CNN3模型、CNN2模型、分水嶺模型之間沒有顯著性差異發生的概率(p值)分別為0.491、0.493、0.197、0.110,但在不同器官圖像上卻有本質區別,概率分別為0.001、0.141、0.018、0.021.表6給出了本文方法和U-Net方法在KIRC測試圖像上的各指標均值和標準差.可以看出,CscDTE模型的分割性能明顯優于表現最好的UNet模型,且具有更好的可靠性.

對于逐像素分割任務而言,學習模型的參數規模是另一個重要的性能評估指標.學習模型中帶參數的層主要有卷積層、批歸一化層以及全連接層等,而激活函數、池化層和上采樣層旨在提供一種非線性變換,無需學習.本文采取秩-1可分離卷積核代替卷積濾波器,且無需全連接層特征映射,參數規模較之傳統深度學習方法較小,如表7 所示.

4 結論及后續工作

本文提出了一個級聯稀疏卷積與決策樹集成學習(CscDTE)的細胞核分割模型.常用的分水嶺分割方法和深度學習網絡對算法初始化和病理圖像數據的多樣性較為敏感.與之相比,CscDTE模型具有四個方面的優勢:

1)為了實現魯棒特征的提取和CscDTE模型算法的加速,基于秩-1張量分解學習機制,CscDTE模型在各層引入稀疏可分離卷積模塊,分層抽取細胞核的多尺度方向分布式抽象特征;

2)為了提升模型的分割性能,充分考慮像素間的關系,CscDTE模型使用級聯卷積特征作為樣本輸入,迭代有監督地訓練集成決策樹模塊直到收斂;

3)為了增強集成決策樹模塊對數據復雜性和可變性的自適應能力,Csc DTE模型采取隨機采樣、樹剪枝以及正則化回歸機制提升逐像素分布式特征集成回歸分類能力;

4)不同器官和疾病狀態的復雜病理數據集上的大量試驗表明了所提出的CscDTE方法相比于已有最先進技術的優越性.

表6 本文方法與U-Net在KIRC數據集上的分割性能(均值,標準差)比較Table 6 Performance comparison of U-Net with our CscDTE(For each metric,the mean and standard deviation are listed)

表7 不同算法在病理數據集上的參數規模Table 7 Number of parameters of different algorithms on the pathology dataset

在現有框架的基礎上,將利用更先進的預測模型對集成決策樹學習模塊進行替換,以實現更好的分割性能;將結合語義分割,在應用層面對CscDTE其進行拓展;將探索管狀顯微結構的提取與重構,例如血管、神經突等,并拓展至三維醫學圖像應用.