Pathological analysis needs instance-level labeling on a histologic image with high accurate boundaries required. To this end, embodiments of the present invention provide a deep model that employs the DeepLab basis and the multi-layer deconvolution network basis in a unified model. The model is a deeply supervised network that allows to represent multi-scale and multi-level features. It achieved segmentation on the benchmark dataset at a level of accuracy which is significantly beyond all top ranking methods in the 2015 MICCAI Gland Segmentation Challenge. Moreover, the overall performance of the model surpasses the state-of-the-art Deep Multi-channel Neural Networks published most recently, and the model is structurally much simpler, more computational efficient and weight-lighted to learn.La présente invention concerne une analyse pathologique qui nécessite un marquage de niveau d'instance sur une image histologique à limites extrêmement exactes requises. À cet effet, des modes de réalisation de la présente invention concernent un modèle profond qui utilise la base de marquage en profondeur et la base de réseau de déconvolution multi-couches dans un modèle unifié. Le modèle est un réseau supervisé en profondeur qui permet de représenter des caractéristiques multi-niveaux et multi-échelles. L'invention exécute une segmentation sur l'ensemble de données de référence à un niveau d'exactitude qui est significativement au-delà de tous les meilleurs procédés de classement dans le défi de segmentation de glande MICCAI 2015. De plus, le rendement global du modèle dépasse les réseaux neuronaux à plusieurs canaux profonds de l'état de la technique publiés le plus récemment, et le modèle est structurellement beaucoup plus simple, plus efficace en termes de calcul et plus facile à apprendre.
