Segmentierung von gastrischen Histopathologiebildern unter Verwendung eines hierarchischen bedingten Markov-Modells

Für die Anwendung von Faltungsneuronalen Netzen (CNNs) bei der intelligenten Diagnose von Magenkrebs konzentrieren sich bisherige Methoden hauptsächlich auf individuelle Merkmale oder Netzwerkarchitekturen, ohne eine Strategie zur Darstellung der gesamten Information zu verfolgen. Insbesondere kann das bedingte zufällige Feld (Conditional Random Field, CRF), ein effizienter und stabiler Algorithmus zur Analyse von Bildern mit komplexem Inhalt, räumliche Beziehungen in Bildern charakterisieren. In dieser Arbeit wird eine neuartige Methode für die Segmentierung von magischen Histopathologiebildern (Gastric Histopathology Image Segmentation, GHIS) vorgeschlagen, die auf einem hierarchischen bedingten zufälligen Feld (Hierarchical Conditional Random Field, HCRF) basiert. Diese Methode kann automatisch abnorme (krebsbehaftete) Bereiche in durch ein optisches Mikroskop erlangten magischen Histopathologiebildern lokalisieren, um Histopathologen bei ihrer medizinischen Arbeit zu unterstützen. Das HCRF-Modell wird mit höheren Ordnungspotentialien aufgebaut, einschließlich Pixel- und Patch-Level-Potentialien, und es wird eine graphenbasierte Nachbearbeitung angewendet, um die Segmentationsleistung weiter zu verbessern. Insbesondere wird ein CNN trainiert, um die Pixel-Level-Potentialien aufzubauen, und drei weitere CNNs werden feinjustiert, um die Patch-Level-Potentialien zu erstellen und so ausreichende räumliche Segmentationsinformationen zu gewährleisten. Im Experiment wurde ein mit Hämatoxylin-Eosin (H&E) eingefärbtes Datensatz von magischen Histopathologiebildern mit 560 abnormen Bildern in Trainings-, Validierungs- und Testsets im Verhältnis 1 : 1 : 2 aufgeteilt. Schließlich wurden auf dem Testset Segmenteigenschaftswerte von 78,91 % Genauigkeit, 65,59 % Recall und 81,33 % Spezifität erreicht. Unser HCRF-Modell zeigt eine hohe Segmentationsleistung und beweist seine Effektivität sowie sein zukünftiges Potenzial im Bereich der GHIS.