【摘 要】
：
对病理图像进行格里森分级作为前列腺癌诊断的金标准在临床中被广泛应用,然而传统的人工诊断结果主观性强,且耗时费力。因此,基于深度学习的格里森分级技术受到了越来越多的关注。目前对该领域的研究存在以下不足:（1）多数研究在数据预处理中忽略了病理图像的噪声,数据集质量较差。（2）现有研究的关注重点在于格里森得分的高低分类（GS=8）,忽略了对GS=7的进一步分类。但G3+G4和G4+G3
论文部分内容阅读
对病理图像进行格里森分级作为前列腺癌诊断的金标准在临床中被广泛应用,然而传统的人工诊断结果主观性强,且耗时费力。因此,基于深度学习的格里森分级技术受到了越来越多的关注。目前对该领域的研究存在以下不足:（1）多数研究在数据预处理中忽略了病理图像的噪声,数据集质量较差。（2）现有研究的关注重点在于格里森得分的高低分类（GS<=7vs.GS>=8）,忽略了对GS=7的进一步分类。但G3+G4和G4+G3的患者在癌症复发,预后效果方面均存在显著的统计学差异,应分为不同预后组。（3）探索从病理图像中提取的补丁（patch）之间的关系对格里森分级具有重要意义,但现有研究没有正确建立patch之间的关联性。本论文针对上述问题主要做了以下研究。首先,在数据集构建模块中提出了基于大律法（OTSU）的联合去噪方法,快速有效地去除图像中由病理专家留下的各种颜色记号,从而提高数据集质量。其次,提出了基于卷积神经网络的弱监督格里森分级方法,自主构建标签为G3,G4和G5的patch数据集,用VGGNets,Google Net,Res Nets和Dense Nets分别作为骨干网络进行训练,比较他们的分类效果。其中综合得分最高的Dense Net121模型在G3,G4和G5的分类任务上达到了0.9665的分类准确率以及0.9686的F1分数,准确率比baseline方法高13.65%。最后测试训练后的Dense Net121模型在小规模独立数据集上的效果,该模型在格里森得分的高低分类以及GS 7的分类任务上分别达到了0.733和0.700的分类准确率,初步验证了该方法的有效性。最后,提出了基于图神经网络的弱监督格里森分级方法,将病理图像建模成以patch特征向量为图节点的数据,以此描述patch之间的关联关系,用图神经网络模型对重构的病理图像进行格里森分级。与基于卷积神经网络的方法相比,该模型增加了对病理图像的整体特征以及局部关联关系的学习,进一步提高了格里森分级的准确性。该方法在格里森得分的高低分类任务中达到了0.834的准确率和0.820的F1分数,准确率比baseline方法高2.5%;在GS 7的分类任务中达到了0.795的准确率和0.775的F1分数,准确率比baseline方法高4.5%。
其他文献
随着基于5G网络的触感网的迅速发展,触觉通信系统及遥操作技术受到了学术界及工业界的广泛关注。其中,人类在环的力反馈遥操作触觉通信系统是存在于触感网中的典型用例,它将代表人类主观感受的判断标准引入系统,称作用户体验质量（Quality of Experience,Qo E）,以此反映系统性能。因此,在多个遥操作用户同时共享同一通信网络时,如何能够最大化网络总体用户体验质量成为目前一个主要的挑战。Qo
多目标优化问题是工程应用与科学研究的基本问题。处理该类问题的主要方法是进化计算。随着工业的发展,该问题的目标数量与问题规模都急剧增大。出于维数诅咒的原因,多目标进化算法在处理大规模超多目标优化问题时性能显著下降。因此大部分研究采用了分解策略以达到提升多目标优化算法性能的目的。针对分解策略仍存在的一些挑战,进行了改进。本文主要贡献如下:针对决策变量分析方法产生的分组结果不准确的问题,提出了一个统计变
深度神经网络（DNN）在包括计算机视觉,语音识别,自然语言处理,量子化学和医疗保健在内的多个研究领域中均表现出出色的性能。然而,众所周知,我们对其有效性的理论理解仍然不完整。深度学习架构需要通过标注大数据驱动的误差通过反向传播算法来不断优化“端到端”上的模型参数,这种学习过程犹如一个“黑盒子”。随着机器自动的黑盒算法开始辅助人类做出决策,这些机制有必要被更多的解释。此外,虽然这些大的神经网络用处广
在机器学习中,训练样本的数量与数据的准确性是除了模型之外对预测结果的准确性（也叫保真度）影响最大的因素。在很多实际问题中,例如计算机仿真问题,很多准确数据的计算成本是极高的,这种数据称为高保真度（High fidelity-HF）数据;而计算成本低、易获得,但准确度较低的数据称为低保真度（Low fidelity-LF）数据。利用这些多保真度数据建立的回归模型称为多保真度模型。多保真度建模致力于结
多智能体协同决策是人工智能领域的一个热门的研究方向,在实际生活中有着重要的作用。随着深度强化学习在单智能体领域的成功,越来越多的学者将其应用到多智能体协同决策任务。但是,由于环境的复杂性和动态性,多智能体强化学习算法在学习过程中可能面临着维度爆炸甚至无法收敛的问题。因此,如何通过智能体之间有效的通信,让智能体进行正确的行为决策,是多智能体领域的一个重要研究课题。为了实现智能体之间有效的通信,以加强
人工神经网络（ANN）作为强大的数据处理工具被广泛应用于:模式识别,控制,机器人技术,生物信息学等领域。它们的广泛适用性极大地鼓励了科研人员通过研究生物大脑来改善人工神经网络。在生物学上更合理的脉冲神经网络（SNN）更忠实地利用生物学特性来提供更高的处理能力。近些年,SNN在神经形态低功耗系统中获得更大的发展势头,现存的大多数脉冲监督学习方法都实现了较好的性能,取得极大的成功。但是,现有的SNN模
随着工业生产技术的提高,机器人越来越广泛的应用于人类的日常生产生活中。然而,机器人的生产水平受限于生产环境的变化难以实现柔性化生产。通过感知外在环境,机器人可以根据获取的信息来调整自身的姿态。因此,本文提出了一种基于智能感知与学习的机器人抓取与装配方法,并在此基础上设计了机器人抓取与装配系统,并利用实验进行了验证。主要内容包括以下几个方面:首先,在智能感知层面上,基于RGB-D图像构建了一种五维抓
近年来,由于视频播放平台的快速发展、摄影设备的不断迭代以及移动通信的广泛使用,视频的数量呈现爆发式地增长。因此,如何从视频中提取信息就成为了一个亟待解决的问题。动作识别是视频理解领域中一个基础而关键的问题。早期,研究者通常使用手工设计的特征来捕捉时空特征进行分类。现今深度学习方法凭借其强大的特征提取与拟合大体量数据能力在动作识别领域取得了重大突破。然而,现有深度动作识别方法对于识别复杂场景下的动作
轮式移动机器人因其具有承载能力强,灵活性高等优良特性而被广泛应用于现代工业、航天、军事和民用领域。轨迹规划作为实现机器人自主运动的重要组成部分,不仅能够为移动机器人规划可行路径,而且所包含的速度、加速度等信息对于移动机器人后续的轨迹跟踪控制至关重要。然而,由于自身或是环境中的不确定性因素干扰,轮式移动机器人很难按照预先规划的路径正常运行,且以往对于移动机器人轨迹规划的研究很少事先预估不确定性对于全
机器人抓取是智能机器人的一个基础功能,也是一个具有挑战性的任务。得益于深度学习的发展,研究者们提出了许多抓取姿态检测算法,然而对于这些深度学习算法而言充实的数据集必不可少。机器人可能在不同环境中移动,当环境变化时,需要创建新数据集并重训练模型以保持网络模型的性能。但是,数据集标注是一个非常消耗资源的过程。主动式学习旨在缓解深度学习算法对大量标注数据的依赖性,主要途径是选择出未标注数据集中最具有信息