摘要

在应用于胃癌智能诊断的卷积神经网络（CNNs）中，现有的方法大多集中于个体特征或网络框架，而缺乏一种策略来描绘整体信息。特别是，条件随机场（Conditional Random Field, CRF）作为一种高效且稳定的算法，能够分析包含复杂内容的图像，并刻画图像中的空间关系。本文提出了一种基于层次条件随机场（Hierarchical Conditional Random Field, HCRF）的胃组织病理学图像分割（Gastric Histopathology Image Segmentation, GHIS）新方法，该方法可以自动定位通过光学显微镜获取的胃组织病理学图像中的异常（癌症）区域，以辅助病理学家进行医学工作。此HCRF模型构建了高阶势函数，包括像素级和补丁级势函数，并应用了基于图的后处理技术以进一步提高其分割性能。特别地，一个CNN被训练用于构建像素级势函数，另外三个CNN则经过微调以构建补丁级势函数，从而提供充分的空间分割信息。实验中，一个包含560张异常图像的苏木精和伊红（Hematoxylin and Eosin, H&E）染色胃组织病理学数据集按1:1:2的比例分为训练集、验证集和测试集。最终，在测试集上实现了78.91%的分割准确率、65.59%的召回率和81.33%的特异性。我们的HCRF模型展示了较高的分割性能，并证明了其在GHIS领域的有效性和未来潜力。