南京医科大学

硬件架构：双Xeon可扩展处理器（最大56核，最高3.8GHz）+最大9块GPU+20盘位并行存

机器特点：目前最强大的CPU+GPU异构计算

数据规模:建模与仿真计算、高性能科学计算、机器/深度学习

目的：采用基于深度学习的胃癌病理切片分割算法实现对胃癌区域的识别。

方法：以U-Net网络为基本框架设计深层次的胃癌病理切片分割算法模型Deeper U-Net（DU-Net）。采用区域重叠分割法将数据分割成若干小块图片，然后利用预先训练好的DU-Net网络模型对分割的小图片进行初次分割，并使用图片分类器清楚假阳性样本，重新合成新样本。采用重复学习的方法使用新样本进行多次重复训练，将得到的结果应用全链接条件随机场（CRF）进行后续处理。最终得到胃癌分割图片并验证结果。

结果：经过3次重复学习后，DU-Net网络模型的平均精度为91.5%，平均交叉联合度量（IoU）为88.4%，相比于未经重复学习的基础DU-Net模型，其平均精度提升了5.6%，平均IoU提升了2.9%。

结论：基于深度学习的胃癌病理切片分割算法实现了精准的分割，提升了模型的泛化能力和鲁棒性，可用于辅助胃癌病理诊断。

1.深度学习网名模型

1.1 网络整体框架

该网络包含14个卷积块(convolution block)、7个最大池化层（max-pooling layer）、7个上采样层（upsampling layer）和一个Sigmoid激活函数层，其中每个卷积块包含有1个卷积层（convolution block）、1个批规范层（batch normalization layer）和1个PRelu激活层。

2.训练方法

2.1数据处理

由于标注的胃癌区域中存在很多白色背景区域，直接对其训练会导致模型将白色背景区域看作胃癌区域的一个特征。为此需要过滤大部分背景区域图片，以消除白色背景区域的干扰。对于深度学习来说，大规模数据集有利于提高模型的准确度。本文采用了随即旋转、平移、随机裁剪、随机颜色空间变换方法来进行数据的扩充。

2.2区域重叠分割法

使用无重叠分割法得到的图片进行训练。会使模型将白色背景区域占较大比例的图片误认为正常区域，从而增加了预测的不准确性。区域重叠分割法增加了图片视野（即观测域）的范围，对不同视野下的相同癌症区域进行重复预测，可有效避免上述情况。