【病理图像自适应阈值分割算法实验验证案例分析1900字】

病理图像自适应阈值分割算法实验验证案例分析目录TOC\o"1-3"\h\u2033病理图像自适应阈值分割算法实验验证案例分析 179391.1数据集和评价指标 1145891.1.1数据集 1188611.1.2评价指标 1182321.2实验设计 275381.3实验验证 3217901.1.1收敛性验证 3190081.1.2纵向对比实验验证 3299161.1.3横向对比实验验证 41.1数据集和评价指标1.1.1数据集MoNuSeg数据集：该数据集是从癌症基因组图谱（TCGA）中七种器官的数字化组织样本中裁剪而来的30张大小均为1000×1000像素的H&E染色组织图像。涵盖了乳房、肝脏、肾脏、前列腺、膀胱、结肠和胃七种器官的良性和病变组织样本，共包含超过21000个由医学专家注释说明的细胞核。图1.1展示了数据集中的部分样本。图1.1MoNuSeg数据集样本示意图1.1.2评价指标IoU交并比：描述预测结果与GroundTruth交集与并集的比值：IoU=Precision精确率：描述预测结果为正样本中有多少是真正的正样本，即预测正确的部分占预测结果的比例：Precision=Dice系数：描述预测结果与GroundTruth之间的相似性：Dice=本文使用以上三种评价指标来评价细胞核病理图像的分割质量，其中TP、FP、FN的含义如下：真阳性（TruePositiveTP）：实际为正样本且预测为正样本。假阳性（FalsePositiveFP）：实际为负样本，但预测为样本。假阴性（FalseNegativeFN）：实际为正样本，但预测为负样本。1.2实验设计实验前，MoNuSeg数据集中所有病理图像的FullNet实例分割结果已经提前获得。数据预处理：FullNet网络实例分割结果为一张概率图，其中的值代表每一个像素点作为前景的概率，将其规范化到0-255范围内，则255表示黑色。而阈值分割中255表示白色，需要对其灰度图转置。对其灰度图使用大小为5*5的滤波进行形态学开运算去燥，使图像更加清晰。训练参数设置：对Q网络的权重参数采用截断正态分布随机初始化，隐层采用ReLU激活函数激活，使用Adam优化器进行梯度更新。episode大小设置为1000，每个episode中执行动作次数step设置为100；折扣因子γ设置为0.9；探索率EPSILON初始设置为0.5，下降终止值为0.3；经验回放集合的大小REPLAY_SIZE设置为10000；每次随机抽取经验回放集合中的样本数BATCH_SIZE大小设置为32。测试方法：智能体每经过20个episode进行10次交互测试，当平均奖励值稳定时认为本文方法收敛。1.3实验验证本小节通过对MoNuSeg数据集中细胞核病理图像的FullNet粗分割结果进行实验，证明了本文方法的收敛性。同时将本文算法获取的自适应阈值分割结果与使用概率0.5的硬阈值进行分割的结果进行纵向对比，和其他四种经典的自适应阈值算法的分割结果进行横向对比，从而验证了本文算法的分割性能。1.1.1收敛性验证经过测试，大多数病理图像的平均奖励值趋于稳定且损失下降，证明了本文算法的收敛性。其中部分病理图像的损失可视化结果如图1.2所示。图1.2本文算法训练损失图1.1.2纵向对比实验验证表1.1展示了部分病理图像的实验结果，其中Tour表示使用本文方法获取的自适应分割阈值，T128表示概率0.5对应的分割阈值，即为128。表1.1分割效果纵向对比实验结果图片名称TourIoUPrecisionDiceTourT128TourT128TourT128Breast_TCGA-A7-A13E-01Z-00-DX1_disp.png2050.91530.88270.95600.88700.95580.9377Kidney_TCGA-B0-5698-01Z-00-DX1_disp.png2190.93720.89880.96280.89970.96760.9467Liver_TCGA-18-5592-01Z-00-DX1_disp.png2200.83100.72820.91790.73090.90770.8428Prostate_TCGA-CH-5767-01Z-00-DX1_disp.png1800.91220.89640.94260.90340.95410.9454结果表明，使用本文方法获取自适应阈值进行分割的结果在IoU交并比、Precision精确率、Dice系数上与使用概率为0.5的硬阈值进行分割的结果的相比，各项指标都得到了一定的提升。以其中一张病理图像为例，将本文方法的分割结果和硬阈值下的分割结果进行可视化对比，如图1.3所示。图1.3分割结果可视化对比通过观察，使用本文算法的分割结果改善了使用硬阈值分割带来的边界损失和前背景错分现象，更加接近于GroundTruth。1.1.3横向对比实验验证我们考虑本文自适应阈值算法的对比算法主要有四个：OTSU算法，Niblack算法，Sauvola算法以及Wellner算法。下面分别进行简单介绍：OTSU算法是一种全局自适应阈值分割法，将图像分为前景和背景两部分，通过计算两部分的最大类间方差自适应地获取分割阈值，计算简单快速。Niblack算法、Sauvola算法和Wellner算法都属于局部自适应阈值分割法，根据每个像素及其邻域像素之间的关系自适应地选取阈值。其中Niblack算法根据像素点邻域的平均灰度和标准差来构造一个阈值曲面进行二值化[19]。Sauvola算法是对Niblack算法的改进，基于积分图的方法来实现，去燥效果较好[20]。Wellner算法使用像素点与附近邻域的像素均值计算阈值，能处理高噪声的图像，因此广泛应用于图像处理领域[21]。表1.2展示了部分病理图像的横向对比实验结果。表1.2分割效果横向对比实验结果图片名称IoU本文方法OTSU算法Sauvola算法Wellner算法Niblack算法Breast_TCGA-A7-A13E-01Z-00-DX1_disp.png0.91530.90970.90780.87240.8598Kidney_TCGA-B0-5698-01Z-00-DX1_disp.png0.93720.91870.92240.89770.9158Liver_TCGA-18-5592-01Z-00-DX1_disp.png0.83100.77340.75450.67200.6320Prostate_TCGA-CH-5767-01Z-00-DX1_disp.png0.91220.90790.89440.87920.8389结果表明，使用本文算法获取自适应阈值分割的结果相比其他四种自适应阈值算法的分割结果在IoU交并比上获得了一定的