摘要
细胞核的精准分割是病理诊断的基础工作,针对目前分割算法存在细小特征提取难、细节丢失多等问题,本文提出了一种基于生成对抗网络(generative adversarial network,GAN)与ResU-Net的分割网络.首先将ResUNet网络作为生成网络(generator,G),利用LeakyReLU激活函数使负值特征能够得到激活,其次再通过判别网络(discriminator,D)的判别损失值引导生成网络更好地学习.实验结果显示,在乳腺癌细胞核数据集和DSB数据集上MioU、Dice、Acc等评价指标分别达到 82％、83％、95％和 90％、90％、97％,较 ResUNet 网络分别提升了 2.5％、3.3％、0.7％和0.7％、1.5％、0.8％.同时与SegNet、FCN8s等6种常用分割网络的分割结果对比均有提升,结果证明本文改进后的网络具有较好的分割准确率,可以为病理诊断工作提供重要依据.
维普
万方数据