基于深度網(wǎng)絡(luò)的乳腺病理圖像細(xì)胞核異型性自動評分.pdf

1、在癌癥診斷和預(yù)后中，病理醫(yī)生通常使用顯微鏡觀察組織切片中的不同病理標(biāo)志物進(jìn)行病理等級評分。細(xì)胞核異型性是世界衛(wèi)生組織推薦的針對乳腺癌診斷的諾丁漢分級系統(tǒng)中三個評分要素之一，因此對該指標(biāo)評判的準(zhǔn)確性決定了醫(yī)生診斷乳腺癌患者惡性程度高低的關(guān)鍵指標(biāo)，因此也決定了接下來治療方案的制定。細(xì)胞核異型性主要是對病理圖像中細(xì)胞核的形態(tài)、外觀、紋理和分布以及其他相關(guān)視覺特征的分析。
　　為了有效地進(jìn)行細(xì)胞核異型性自動評分，本文提出了一種乳腺組織病理

2、圖像細(xì)胞核異型性自動評分模型，該模型組合了深度卷積網(wǎng)絡(luò)和結(jié)合策略。該模型針對每個病例的3種不同分辨率下的組織病理圖像分別構(gòu)建三個卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行獨立地評分，從而分別得到3種分辨率下的評分結(jié)果。接下來使用相對多數(shù)投票法綜合評估每個病例的最終細(xì)胞核異型性評分結(jié)果，從而實現(xiàn)細(xì)胞核異型性的自動評分。為了評估所提出的模型對細(xì)胞核異型性評分的有效性，利用訓(xùn)練好的模型對124個病例（其中每個病例包含3種不同分辨率的圖像）的372張測試圖像進(jìn)行自動評分

3、，并把該自動評分結(jié)果與病理醫(yī)生評分結(jié)果作比較進(jìn)行性能評估。以病理醫(yī)生評分結(jié)果為基準(zhǔn)，目前本文提出模型的評分正確率得分為67分，該結(jié)果與現(xiàn)有的最好結(jié)果相比評分準(zhǔn)確率排名第二。此外，本文提出模型的計算效率也很高，平均在每個病例的三個分辨率下圖像的計算時間分別約為1.2、5.5、30秒。
　　除了基于整張病理圖像分析的細(xì)胞核異型性評分，本文提出以構(gòu)建基于單個細(xì)胞核形態(tài)和紋理等特征描述的細(xì)胞核異型性評分為目標(biāo)的細(xì)胞核自動分割的方法。本文的

4、方法不需要使用數(shù)據(jù)集的細(xì)胞核邊界標(biāo)記，而只是利用數(shù)據(jù)集的細(xì)胞核質(zhì)心標(biāo)記的就可訓(xùn)練出能夠分割細(xì)胞核的卷積神經(jīng)網(wǎng)絡(luò)，因此該方法極大的降低了數(shù)據(jù)集預(yù)處理的工作量。在模型實際應(yīng)用階段，結(jié)合卷積網(wǎng)絡(luò)和滑動窗口方法對細(xì)胞核進(jìn)行自動定位，接下來以該位置為中心截取細(xì)胞核預(yù)選區(qū)域，最后使用細(xì)胞核分割模型對預(yù)選區(qū)域進(jìn)行逐像素點的判斷其是否屬于細(xì)胞核。為了驗證該方法的優(yōu)越性，本文在公開數(shù)據(jù)集上的分割準(zhǔn)確率分別為:0.9015,0.6908,0.6325和0.