基于高倍率细胞内镜系统的细胞核分割

基于高倍率细胞内镜系统的细胞核分割 Nuclear segmentation based on endocytoscopy system with high magnification 1 first-author 张　伟（1996-），男，安徽滁州人，硕士研究生，2019年于重庆大学获得学士学位，主要从事内窥镜图像处理及机器视觉方面的研究。E-mail： 21930048@zju.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006613&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006624&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006618&type= 22.01332855 32.00401306 张　伟 （1996-），男，安徽滁州人，硕士研究生，2019年于重庆大学获得学士学位，主要从事内窥镜图像处理及机器视觉方面的研究。E-mail： 21930048@zju.edu.cn 21930048@zju.edu.cn 1 1 1 2 corresp E-mail： wangliqiang@zju.edu.cn E-mail： wangliqiang@zju.edu.cn 王立强（1977-），男，陕西渭南人，副教授，博士生导师，1998年、2001年、2004年于浙江大学分别获得学士、硕士、博士学位，现为浙江大学光电信息检测技术研究所副所长，主要从事光电成像技术及内窥镜方面的研究。E-mail： wangliqiang@zju.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006629&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006638&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006634&type= 22.01332855 32.00395203 王立强 （1977-），男，陕西渭南人，副教授，博士生导师，1998年、2001年、2004年于浙江大学分别获得学士、硕士、博士学位，现为浙江大学光电信息检测技术研究所副所长，主要从事光电成像技术及内窥镜方面的研究。E-mail： wangliqiang@zju.edu.cn wangliqiang@zju.edu.cn 1 2 浙江大学 光电科学与工程学院，浙江 杭州 310027 浙江大学 光电科学与工程学院，浙江 杭州 310027 College of Optical Science and Engineering， Zhejiang University， Hangzhou 310027， China College of Optical Science and Engineering， Zhejiang University， Hangzhou 310027， China 之江实验室 超级感知研究中心，浙江 杭州 311100 之江实验室 超级感知研究中心，浙江 杭州 311100 Research Center for Intelligent Sensing， Zhejiang Lab， Hangzhou 311100， China Research Center for Intelligent Sensing， Zhejiang Lab， Hangzhou 311100， China 临床上诊断消化道早期癌症主要依赖于电子内镜活检术，但是其诊断周期长。细胞内镜是一种具有超高放大倍率的内窥镜，配合术中染色可以直接在体内观察到病灶的细胞核等病理结构。为了使内窥镜医生能够在术中更准确地分析细胞核病理特征，基于已研制的高倍率细胞内镜系统在猪食管黏膜组织上开展了细胞核染色及分割方法研究。利用1%浓度的甲苯胺蓝水溶液对猪食管黏膜进行细胞核染色，并成功在细胞内镜显微成像模式下观察到染色的细胞核。在此基础上，采用深度学习方法训练了细胞核分割模型，有效实现了染色细胞核的分割提取，分割准确度达到了99.23%，特异性达到了99.54%，敏感性达到了84.37%，Dice系数达到了0.813 8，为细胞内镜的AI辅助诊断算法研究奠定了基础。 Endoscopic biopsy is the main approach to the clinical diagnosis of early gastrointestinal cancer to date. However， this approach warrants a long period to obtain the final diagnosis. Endocytoscopy is a type of endoscope with ultra-high magnification， which， combined with intraoperative staining， can directly observe the pathological structure of the lesion such as the nucleus in vivo. To make endoscopists more accurately analyze the pathological features of the nucleus during the operation， a nuclear staining and segmentation method was previously developed for the esophageal mucosa tissue of pigs based on the endocytoscopy system with high magnification. Firstly， 1% toluidine blue was used to stain the nucleus of esophageal mucosa tissue， and the stained nuclei were observed successfully under the microscopic imaging mode of endocytoscopy. Based on this， the deep learning method was adopted to train the nuclear segmentation model， which effectively realized the segmentation and extraction of stained nuclei. The pixel accuracy reaches 99.23%， specificity of 99.54%， sensitivity of 84.37%， and the Dice of 0.813 8， laying a foundation for the study of artificial intelligence-assisted diagnosis of endocytoscopy. 生物医学光学 细胞内镜 细胞核分割 深度学习 biomedical optics endocytoscopy nuclear segmentation deep learning 1 引　言 1 近些年来，消化道疾病成为了常见病。现代人由于快节奏的生活和巨大的生活压力，消化道常常处于亚健康状态，久而久之消化道就会发生病变，且为恶性疾病的几率较高。常见的消化道肿瘤有食管癌、胃癌、结直肠癌等。据中国国家癌症中心统计，2015年新发食管癌、胃癌、结直肠癌分别为47.8万例、67.9万例、37.6万例，死亡病例共达106万例 ［ 1 1 ］ 。 对于消化道癌症来说，早期筛查是癌症治愈的先决条件，如果能够及早发现、及时治疗，可以有效减少恶性病变的发生率，降低死亡率。目前，临床上筛查诊断消化道癌症的一个重要途径就是电子内镜活检术，在电子内镜的引导下对病灶取活检再由病理科诊断。这种诊断方式不仅诊断周期长，而且由于取样不准容易漏诊，同时会对病灶造成一定程度的损伤。细胞内镜 ［ 2 2 ］ 是一种具有超高放大倍率的高端电子内窥镜，配合术中染色可以直接在体内观察到细胞级的组织，是消化道癌早期筛查诊疗的重要途径和研究方向，在一定程度上可以取代组织学活检 ［ 3 3 - 4 4 3-4 ］ 。与激光共聚焦显微内窥镜 ［ 5 5 ］ 不同，细胞内镜仅包含一个光学镜头，医生操作更为方便。自2003年奥林巴斯发布第一代细胞内镜系统 ［ 6 6 ］ 以来，伴随着科学技术的进步，细胞内镜系统得到了飞速的发展。目前，最先进的第四代细胞内镜可以实现520倍的连续光学变焦放大，显微观察的视场范围可以达到570 μm×500 μm，在体内可以实时地观察到独立的细胞核 ［ 7 7 ］ 。然而，内窥镜医生通常不具备病理诊断经验，难以把握细胞内镜高倍率图像中的组织病理特征。因此，为了辅助内窥镜医生更准确地分析细胞内镜高倍率图像中的细胞核形态特征，本文基于已研制的高倍率细胞内镜系统开展了细胞核分割技术的研究。 2 细胞内镜系统 1 细胞内镜技术一直以来都被日本的奥林巴斯公司垄断。为了突破技术封锁，本课题组设计搭建了一套大视场高倍率细胞内镜系统，如 图1 图1 所示。该系统主要包括探头部、插入管、控制手柄、主机以及显示器等。探头部包含一个大视场高倍率变焦内窥物镜，外径尺寸为9.8 mm，与临床常规胃镜相同，变焦旋钮在控制手柄上，可以实现1~500倍连续变焦放大功能。在实际使用过程中，将细胞内镜探头逐步靠近组织表面并调节变焦旋钮，可实现对组织的连续放大观察，直至探头贴住组织表面时，系统的放大倍率达到最大，能够观察到染色的细胞核，且此时显微观察的视场范围可以达到1 mm以上，具有视场大、分辨率高等优点。 为了使不同组织之间以及细胞核与细胞质之间的差异更加明显，在使用细胞内镜检查前需要对组织进行染色 ［ 4 4 ］ 。目前，细胞内镜常用的染色剂有甲苯胺蓝、亚甲蓝和结晶紫等溶液。对食管黏膜的染色大多选择甲苯胺蓝或亚甲蓝，而结晶紫能够对细胞质进行有效染色 ［ 3 3 ， 7 7 ］ 。本文基于搭建的高倍率细胞内镜系统，在猪食管黏膜组织上开展了甲苯胺蓝染色细胞核的实验。从离体的猪食管组织上剥离一小块食管内壁黏膜，冲洗干净后再用1%浓度的甲苯胺蓝水溶液进行染色。这种染色剂着色很快，适用于内镜下快速染色。染色大约一分钟之后用清水冲洗掉多余的染色剂，便完成了对猪食管黏膜组织细胞核的染色。将染色好的食管黏膜置于背光光源上，利用细胞内镜系统进行观察， 图2 图2 展示了不同放大倍率下的成像结果，其中图 2（a） 2（a） ~ 2（c） 2（c） 的成像物距由远及近，最后紧贴黏膜表面，在最高放大倍率下能够清晰地观察到均匀分布的细胞核，如 图2 图2 （c）所示。 3 细胞核分割方法 1 根据Kumagai等 ［ 8 8 ］ 和Ono等 ［ 9 9 ］ 的研究，使用细胞内镜诊断食管病变和宫颈病变的良恶性主要依赖于细胞核的特征，但内窥镜医生通常不具备细胞核病理诊断的经验，而且缺乏统一标准，主观估计误差较大。Kumagai等在2019年采用深度学习方法对细胞内镜在食管拍摄到的图像进行识别分类以辅助内窥镜医生诊断，其中类别包括良性病变和恶性病变两类，最终模型诊断的总体准确性为90.9% ［ 10 10 ］ 。然而，这种辅助诊断的方法并未充分利用细胞核的特征，为了进一步准确分析细胞核的形态结构，需要将细胞内镜图像中的细胞核准确地分割和提取出来。 深度学习在医学图像分割领域的应用日趋成熟，与传统的分割算法相比，深度学习方法的分割精度有了较大的提升 ［ 11 11 - 12 12 11-12 ］ 。Shelhamer等 ［ 13 13 ］ 提出的全卷积神经网络（Fully Convolutional Network， FCN）模型将网络后端的全连接层替换成卷积层，再使用上采样技术将低分辨率的深层特征图映射到输入图像的尺寸上，成功地完成了像素级的语义分割任务。该网络结构简单，容易训练，目前已广泛地应用于图像分割任务中。本文采用FCN网络作为细胞核分割模型的基本框架，其中FCN的主体结构采用了常用的VGG16 ［ 14 14 ］ 模型。 在细胞内镜所拍摄的猪食管黏膜细胞核图像中，单个细胞核所占比例较小，直接将原始图像用于训练难以取得好的分割效果，所以本文先对原始图像的右侧和底部按照边界对称性进行填充，扩展成512×512像素，进而再切分成16个128×128像素的图像块，然后将图像块放大至512×512像素再输入FCN模型进行训练，避免细胞核在不断卷积池化的过程中丢失语义特征。最后，对每个图像块分割的结果对照位置进行拼接并裁剪掉填充区域，通过后处理去除面积小于10像素和大于200像素的伪细胞核，输出最终的细胞核分割结果。细胞核分割的整体框架如 图3 图3 所示。 4 实验与结果分析 1 4.1　数据集及评价指标 2 本文基于已研制的高倍率细胞内镜系统对猪食管黏膜组织的细胞核进行染色观察并采集图像数据，从8次染色实验中共采集了40张具有代表性的细胞核图像，并手动对这些图像进行标注，制作出细胞核分割数据集，如 图4 图4 所示，其中10张图像作为评估分割算法的测试集。另一方面，本文对用于训练的30对图像和标签进行切割分块，共得到1 080对图像块，用于训练细胞核分割模型。 为了定量评估比较算法模型分割细胞核的准确性，本文采用像素准确性（Pixel Accuracy， PA）（ A p ），特异性（ S p ），敏感性（ S e ）和Dice系数（ D ）4个指标 ［ 15 15 - 16 16 15-16 ］ ，计算公式如下： <math display="block" id="M1"><msub><mrow><mi>A</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>T</mi></mrow><mrow><mi>N</mi></mrow></msub></mrow><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>F</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>T</mi></mrow><mrow><mi>N</mi></mrow></msub><mo>+</mo><msub><mrow><mi>F</mi></mrow><mrow><mi>N</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006710&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006704&type= 40.55533600 8.97466660 ， <math display="block" id="M2"><msub><mrow><mi>S</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi>N</mi></mrow></msub></mrow><mrow><msub><mrow><mi>F</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>T</mi></mrow><mrow><mi>N</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006721&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006715&type= 21.92866707 8.89000034 ， <math display="block" id="M3"><msub><mrow><mi>S</mi></mrow><mrow><mi mathvariant="normal">e</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi>P</mi></mrow></msub></mrow><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>F</mi></mrow><mrow><mi>N</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006730&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006725&type= 21.84399986 8.89000034 ， <math display="block" id="M4"><mi>D</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">2</mn><msub><mrow><mi>T</mi></mrow><mrow><mi>P</mi></mrow></msub></mrow><mrow><mn mathvariant="normal">2</mn><msub><mrow><mi>T</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>F</mi></mrow><mrow><mi>P</mi></mrow></msub><mo>+</mo><msub><mrow><mi>F</mi></mrow><mrow><mi>N</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006740&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=24006735&type= 32.08866501 8.89000034 ， 其中： T P 表示分割正确的细胞核像素个数， T N 表示分割正确的背景像素个数， F P 表示误分割成细胞核的像素个数， F N 表示遗漏分割的细胞核像素个数。Dice系数是医学图像分割领域衡量真值和预测值之间的重要度量，其值越大表示两者的相似度越高 ［ 16 16 ］ 。 4.2　分割结果及讨论 2 本文实验均是在Ubuntu 19.04系统上进行，CPU型号为i9-9900K，GPU型号为RTX 2080Ti，利用开源库PyTorch 1.6.0和OpenCV 3.4.2进行模型的训练测试以及图像处理等。由于待分割的目标只有细胞核，所以像素只有细胞核像素和背景像素两类。因此，本文在训练细胞核分割模型时采用二进制交叉熵损失函数，并采用Adam算法 ［ 17 17 ］ 进行优化，经过300次的迭代训练之后得到细胞核分割模型。 为了验证图像切割分块训练的有效性，本文对未切分图像也进行了同样的训练，并将切分图像训练的模型记为FCN-crop，未切分图像训练的模型记为FCN。除此之外，本文还实现了传统的OTSU分割方法，用来和深度学习方法对比。3种分割方法在测试集上的分割结果如 图5 图5 所示。在4项指标中，OTSU的表现都是最差的，而FCN-crop的表现是最好的，其像素准确性达到了99.23%，特异性达到了99.54%，敏感性达到了84.37%，Dice系数也达到了0.813 8。由于图像中大部分像素都属于背景像素，因此3种方法的像素准确性和特异性都在90%以上。在敏感性和Dice系数上，OTSU和FCN都很低，说明这两种方法存在较多的细胞核遗漏分割的情况，且细胞核边缘分割不够准确。FCN-crop模型在敏感性和Dice系数上都在0.8以上，充分说明它可以准确地分割出细胞核，在测试集图像上的分割结果如 图6 图6 所示（彩图见期刊电子版）。其中，绿色和黑色代表正确分割的真阳性像素和真阴性像素，蓝色和红色代表错误分割的假阳性和假阴性像素。 在细胞内镜显微成像模式下，FCN-crop模型准确分割出的细胞核可用于定量分析细胞核的大小、形态分布等特征，这些特征与食管黏膜组织的病变紧密相关 ［ 8 8 ， 18 18 ］ 。通过联合临床医学研究团队，这些定量化的特征在食管组织病理诊断分析中能够降低医生之间的个体差异和主观估计所引入的误差，对细胞内镜病理诊断标准制定以及辅助医生诊断具有重要意义。 5 结　论 1 本文基于已研制的高倍率细胞内镜系统，在猪食管黏膜组织上使用甲苯胺蓝溶液对细胞核进行染色并成功观察到了染色的细胞核。在采集细胞核图像并手动标注制作细胞核分割数据集之后，以深度学习分割算法FCN为基本框架实现了对图像中染色细胞核的有效分割，分割准确性和特异性都在99%以上，且敏感性和Dice系数都在0.8以上，从而为细胞内镜AI辅助诊断研究提供了细胞核分析的准确依据。 参考文献 CHEN W Q ， ZHENG R S ， BAADE P D ， et al . Cancer statistics in China， 2015 ［J］. CA： A Cancer Journal for Clinicians ， 2016 ， 66 （ 2 ）： 115 - 132 . doi: 10.3322/caac.21338 http://dx.doi.org/10.3322/caac.21338 Cancer statistics in China， 2015 KWON R S ， SONG L M WONGKEE ， ADLER D G ， et al . Endocytoscopy ［J］. Gastrointestinal Endoscopy ， 2009 ， 70 （ 4 ）： 610 - 613 . doi: 10.1016/j.gie.2009.06.030 http://dx.doi.org/10.1016/j.gie.2009.06.030 Endocytoscopy ABAD M R A ， SHIMAMURA Y ， FUJIYOSHI Y ， et al . Endocytoscopy： technology and clinical application in upper gastrointestinal tract ［J］. Translational Gastroenterology and Hepatology ， 2020 ， 5 ： 28 . doi: 10.21037/tgh.2019.11.12 http://dx.doi.org/10.21037/tgh.2019.11.12 Endocytoscopy： technology and clinical application in upper gastrointestinal tract 陈亚丽 ， 李赟 ， 尹跃霏 ， 等 . 细胞内镜在上消化道早癌中的应用研究 ［J］. 中华消化内镜杂志 ， 2018 ， 35 （ 10 ）： 773 - 776 . doi: 10.3760/cma.j.issn.1007-5232.2018.10.022 http://dx.doi.org/10.3760/cma.j.issn.1007-5232.2018.10.022 细胞内镜在上消化道早癌中的应用研究 CHEN Y L ， LI Y ， YI Y F ， et al . Application of endocytoscopy in early cancer of upper gastrointestinal tract ［J］. Chinese Journal of Digestive Endoscopy ， 2018 ， 35 （ 10 ）： 773 - 776 . （in Chinese） . doi: 10.3760/cma.j.issn.1007-5232.2018.10.022 http://dx.doi.org/10.3760/cma.j.issn.1007-5232.2018.10.022 Application of endocytoscopy in early cancer of upper gastrointestinal tract 徐宝腾 ， 杨西斌 ， 刘家林 ， 等 . 高速扫描激光共聚焦显微内窥镜图像校正 ［J］. 光学 精密工程 ， 2020 ， 28 （ 1 ）： 60 - 68 . doi: 10.3788/ope.20202801.0060 http://dx.doi.org/10.3788/ope.20202801.0060 高速扫描激光共聚焦显微内窥镜图像校正 XU B T ， YANG X B ， LIU J L ， et al . Image correction for high speed scanning confocal laser endomicroscopy ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 1 ）： 60 - 68 . （in Chinese） . doi: 10.3788/ope.20202801.0060 http://dx.doi.org/10.3788/ope.20202801.0060 Image correction for high speed scanning confocal laser endomicroscopy KUMAGAI Y ， MONMA K ， KAWADA K . Magnifying chromoendoscopy of the esophagus： in-vivo pathological diagnosis using an endocytoscopy system ［J］. Endoscopy ， 2004 ， 36 （ 7 ）： 590 - 594 . doi: 10.1055/s-2004-814533 http://dx.doi.org/10.1055/s-2004-814533 Magnifying chromoendoscopy of the esophagus： in-vivo pathological diagnosis using an endocytoscopy system KUMAGAI Y ， TAKUBO K ， KAWADA K ， et al . A newly developed continuous zoom-focus endocytoscope ［J］. Endoscopy ， 2017 ， 49 （ 2 ）： 176 - 180 . doi: 10.1055/s-0042-119267 http://dx.doi.org/10.1055/s-0042-119267 A newly developed continuous zoom-focus endocytoscope KUMAGAI Y ， TAKUBO K ， KAWADA K ， et al . Endocytoscopic observation of various types of esophagitis ［J］. Esophagus ， 2016 ， 13 （ 2 ）： 200 - 207 . doi: 10.1007/s10388-015-0517-1 http://dx.doi.org/10.1007/s10388-015-0517-1 Endocytoscopic observation of various types of esophagitis ONO S ， NOZAKI A ， MATSUDA K ， et al . In vivo optical cellular diagnosis for uterine cervical or vaginal intraepithelial neoplasia using flexible gastrointestinal endocytoscopy-a prospective pilot study ［J］. BMC Cancer ， 2020 ， 20 （ 1 ）： 955 . doi: 10.1186/s12885-020-07460-6 http://dx.doi.org/10.1186/s12885-020-07460-6 In vivo optical cellular diagnosis for uterine cervical or vaginal intraepithelial neoplasia using flexible gastrointestinal endocytoscopy-a prospective pilot study KUMAGAI Y ， TAKUBO K ， KAWADA K ， et al . Diagnosis using deep-learning artificial intelligence based on the endocytoscopic observation of the esophagus ［J］. Esophagus ， 2019 ， 16 （ 2 ）： 180 - 187 . doi: 10.1007/s10388-018-0651-7 http://dx.doi.org/10.1007/s10388-018-0651-7 Diagnosis using deep-learning artificial intelligence based on the endocytoscopic observation of the esophagus MOSHKOV N ， MATHE B ， KERTESZ-FARKAS A ， et al . Test-time augmentation for deep learning-based cell segmentation on microscopy images ［J］. Scientific Reports ， 2020 ， 10 （ 1 ）： 5068 . doi: 10.1038/s41598-020-61808-3 http://dx.doi.org/10.1038/s41598-020-61808-3 Test-time augmentation for deep learning-based cell segmentation on microscopy images CAICEDO J C ， GOODMAN A ， KARHOHS K W ， et al . Publisher correction： Nucleus segmentation across imaging experiments： the 2018 Data Science Bowl ［J］. Nature Methods ， 2020 ， 17 （ 2 ）： 241 . doi: 10.1038/s41592-020-0733-z http://dx.doi.org/10.1038/s41592-020-0733-z Publisher correction： Nucleus segmentation across imaging experiments： the 2018 Data Science Bowl SHELHAMER E ， LONG J ， DARRELL T . Fully convolutional networks for semantic segmentation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 4 ）： 640 - 651 . doi: 10.1109/tpami.2016.2572683 http://dx.doi.org/10.1109/tpami.2016.2572683 Fully convolutional networks for semantic segmentation SIMONYAN K ， ZISSERMAN A . Very deep convolutional networks for large-scale image recognition ［J］. 3rd International Conference on Learning Representations ， ICLR 2015 - Conference Track Proceedings， 2015 ： 1 - 14 . doi: 10.1109/iccv.2015.314 http://dx.doi.org/10.1109/iccv.2015.314 Very deep convolutional networks for large-scale image recognition 秦传波 ， 宋子玉 ， 曾军英 ， 等 . 联合多尺度和注意力-残差的深度监督乳腺癌分割 ［J］. 光学 精密工程 ， 2021 ， 29 （ 4 ）： 877 - 895 . doi: 10.37188/OPE.20212904.0877 http://dx.doi.org/10.37188/OPE.20212904.0877 联合多尺度和注意力-残差的深度监督乳腺癌分割 QIN CH B ， SONG Z Y ， ZENG J Y ， et al . Deeply supervised breast cancer segmentation combined with multi-scale and attention-residuals ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 4 ）： 877 - 895 . （in Chinese） . doi: 10.37188/OPE.20212904.0877 http://dx.doi.org/10.37188/OPE.20212904.0877 Deeply supervised breast cancer segmentation combined with multi-scale and attention-residuals 张文秀 ， 朱振才 ， 张永合 ， 等 . 基于残差块和注意力机制的细胞图像分割方法 ［J］. 光学学报 ， 2020 ， 40 （ 17 ）： 76 - 83 . doi: 10.3788/aos202040.1710001 http://dx.doi.org/10.3788/aos202040.1710001 基于残差块和注意力机制的细胞图像分割方法 ZHANG W X ， ZHU ZH C ， ZHANG Y H ， et al . Cell image segmentation method based on residual block and attention mechanism ［J］. Acta Optica Sinica ， 2020 ， 40 （ 17 ）： 76 - 83 . （in Chinese） . doi: 10.3788/aos202040.1710001 http://dx.doi.org/10.3788/aos202040.1710001 Cell image segmentation method based on residual block and attention mechanism KINGMA D ， BA J . Adam： a method for stochastic optimization ［EB/OL］. https://arxiv.org/abs/1412.6980. 2014 https://arxiv.org/abs/1412.6980.2014 . Adam： a method for stochastic optimization KUMAGAI Y ， KAWADA K ， HIGASHI M ， et al . Endocytoscopic observation of various esophageal lesions at × 600： can nuclear abnormality be recognized？ ［J］. Diseases of the Esophagus ， 2015 ， 28 （ 3 ）： 269 - 275 . doi: 10.1111/dote.12183 http://dx.doi.org/10.1111/dote.12183 Endocytoscopic observation of various esophageal lesions at × 600： can nuclear abnormality be recognized？ 10.37188/OPE.2021.0324 R735.1 TP391.4 A 1004-924X（2021）11-2574-07 张伟,余浩,袁波等.基于高倍率细胞内镜系统的细胞核分割[J].光学精密工程,2021,29(11):2574-2580. 张伟,余浩,袁波等.基于高倍率细胞内镜系统的细胞核分割[J].光学精密工程,2021,29(11):2574-2580. ZHANG Wei,YU Hao,YUAN Bo,et al.Nuclear segmentation based on endocytoscopy system with high magnification[J].Optics and Precision Engineering,2021,29(11):2574-2580. ZHANG Wei,YU Hao,YUAN Bo,et al.Nuclear segmentation based on endocytoscopy system with high magnification[J].Optics and Precision Engineering,2021,29(11):2574-2580. 国家重点研发计划资助项目（No.2019YFC0119502）；浙江省重点研发计划资助项目（No.2018C03064）；中央高校基本科研业务费专项（No.2019FZA5016） 2021-05-20 2021-06-04 2021-11-15 2022-01-25 光学精密工程 11 29