复现：DRD-UNet，开启乳腺癌多类别语义分割新视野

M. A. Ortega-Ruíz, C. Karabağ, E. Roman-Rangel and C. C. Reyes-Aldasoro, “DRD-UNet, a UNet-Like Architecture for Multi-Class Breast Cancer Semantic Segmentation,” in IEEE Access, vol. 12, pp. 40412-40424, 2024, doi: 10.1109/ACCESS.2024.3377428.

一、引言

在医学影像分析领域，乳腺癌的诊断一直是研究热点和难点之一。准确地对乳腺癌组织切片图像进行语义分割，对于临床医生制定治疗方案、评估病情进展具有极其重要的意义。传统的分割方法往往依赖于手动标注，不仅耗时费力，而且容易受到人为因素的影响。近年来，随着深度学习技术的飞速发展，基于卷积神经网络的分割算法逐渐崭露头角。其中，U-Net架构因其在医学图像分割任务中的出色表现而备受关注。本文将详细介绍一种基于U-Net改进的新型架构——DRD-UNet。

二、研究背景

乳腺癌是全球女性中最常见的癌症类型，其发病率呈逐年上升趋势。在乳腺癌的诊断过程中，病理切片图像的分析是关键环节之一。这些图像通常经过苏木精和伊红（H&E）染色，包含多种组织类别，如肿瘤、基质、炎症、坏死等。准确地识别和分割这些不同的组织区域，对于理解肿瘤的生物学行为、评估治疗效果以及预测预后具有重要意义。然而，由于乳腺癌组织的复杂性和多样性，传统的分割方法难以满足临床需求。因此，开发一种高效、准确的自动分割算法成为了医学影像分析领域的重要课题。

三、DRD-UNet架构设计

DRD-UNet是在标准U-Net架构的基础上进行改进的深度学习模型，其核心在于引入了Dilation、Residual和Dense（DRD）块，以增强模型对多类别乳腺癌组织的分割能力。