基于深度網(wǎng)絡(luò)的乳腺病理圖像細(xì)胞核異型性自動(dòng)評(píng)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(jí)評(píng)分。細(xì)胞核異型性是世界衛(wèi)生組織推薦的針對(duì)乳腺癌診斷的諾丁漢分級(jí)系統(tǒng)中三個(gè)評(píng)分要素之一，因此對(duì)該指標(biāo)評(píng)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(duì)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(dòng)評(píng)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(dòng)評(píng)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(duì)每個(gè)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(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行獨(dú)立地評(píng)分，從而分別得到3種分辨率下的評(píng)分結(jié)果。接下來使用相對(duì)多數(shù)投票法綜合評(píng)估每個(gè)病例的最終細(xì)胞核異型性評(píng)分結(jié)果，從而實(shí)現(xiàn)細(xì)胞核異型性的自動(dòng)評(píng)分。為了評(píng)估所提出的模型對(duì)細(xì)胞核異型性評(píng)分的有效性，利用訓(xùn)練好的模型對(duì)124個(gè)病例（其中每個(gè)病例包含3種不同分辨率的圖像）的372張測(cè)試圖像進(jìn)行自動(dòng)評(píng)分

3、，并把該自動(dòng)評(píng)分結(jié)果與病理醫(yī)生評(píng)分結(jié)果作比較進(jìn)行性能評(píng)估。以病理醫(yī)生評(píng)分結(jié)果為基準(zhǔn)，目前本文提出模型的評(píng)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(píng)分準(zhǔn)確率排名第二。此外，本文提出模型的計(jì)算效率也很高，平均在每個(gè)病例的三個(gè)分辨率下圖像的計(jì)算時(shí)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(píng)分，本文提出以構(gòu)建基于單個(gè)細(xì)胞核形態(tài)和紋理等特征描述的細(xì)胞核異型性評(píng)分為目標(biāo)的細(xì)胞核自動(dòng)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(shí)際應(yīng)用階段，結(jié)合卷積網(wǎng)絡(luò)和滑動(dòng)窗口方法對(duì)細(xì)胞核進(jìn)行自動(dòng)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(duì)預(yù)選區(qū)域進(jìn)行逐像素點(diǎn)的判斷其是否屬于細(xì)胞核。為了驗(yàn)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.