MILD-Net：结肠组织学图像中腺体实例分割的最小信息损失扩张网络

在结肠组织病理学图像中分析腺体形态是确定结肠癌分级的重要步骤。尽管这一任务至关重要，但手动分割既费力又耗时，并且可能受到病理学家主观判断的影响。计算病理学的兴起促使了自动腺体分割方法的发展，这些方法旨在克服手动分割的挑战。然而，由于腺体外观的显著变化以及某些腺体和非腺体组织结构之间的区分难度，这一任务并不简单。此外，诊断决策过程中对不确定性的度量也是必不可少的。为了解决这些问题，我们提出了一种完全卷积神经网络（FCN），该网络通过在网络中的多个点重新引入原始图像来抵消最大池化造成的信 息损失。我们还使用具有不同扩张率的空洞空间金字塔池化（ASPP）来保持分辨率和多级聚合。为了纳入不确定性，我们在测试阶段引入随机变换，以增强分割结果并同时生成不确定性图，突出显示模糊区域。我们展示了这种不确定性图可以用来定义一个指标，忽略高不确定性的预测。所提出的网络在GlaS挑战数据集和另一个独立的结直肠腺癌数据集上均达到了最先进的性能。此外，我们在另外两个数据集的全切片图像上进行了腺体实例分割，以展示我们方法的泛化能力。作为扩展，我们引入了MILD-Net+用于同时进行腺体和管腔分割，以提高网络的诊断能力。