检索历史 清除

摘要病理图像作为医学图像中的重要成员，一直被认为是用于诊断疾病的“金标准”。对病理图像的定量描述，例如细胞的形态及空间分布，组织结构的类型及面积等，有助于深入理解疾病发生发展的潜在规律，从而提示一些癌症可以早预防、早诊断和早干预以降低发病率，提升存活率。然而，病理图像自身超高的空间分辨率给人工定量评估带来巨大挑战。通过计算机辅助分析方法，可以有效弥补医生在临床决策过程中难以准确定量描述病理图像的现状，以更客观、稳健的全自动方式协助病理医生进行快速精准的临床诊断、病程分析及预后预测等。本文围绕H&E染色乳腺癌病理图像定量分析中的关键难点问题，分别从细胞层面与组织层面基于深度学习方法开展以下研究工作:<br>　　(1)基于密集双任务网络的乳腺癌淋巴细胞识别。针对乳腺癌淋巴细胞体积小且空间分布复杂等特性造成的人工量化难问题，此工作提出了一种基于深度学习的密集双任务神经网络(DenseDual-TaskNetwork,DDTNet),用于对H&E染色乳腺癌病理图像中的淋巴细胞同时进行自动精准检测与分割。特征编码主干网络用于提取与淋巴细胞位置及形态相关的多尺度深层次特征;检测和分割解码器分别将深层次特征映射为淋巴细胞位置和形态概率图;特征融合模块为分割解码器快速引入带有淋巴细胞位置信息的多尺度深层特征，提升细胞识别性能。在三个乳腺癌淋巴细胞数据集上验证了该方法在细胞检测和分割两方面卓越的性能。此外，本工作还提出了一种基于水平集的半自动细胞标注方法TILAnno,为基于数据驱动的细胞识别框架发展提供源动力。<br>　　(2)基于高效区域感知网络的乳腺癌组织结构分类。针对乳腺癌组织结构种类繁杂且分布无章以及病理图像定量分析时效性需求等特性造成的人工量化难问题，此工作提出了一种基于深度学习的高效区域感知神经网络(EfficientRegion-AwareNetwork,ERANet),用于对H&E染色乳腺癌病理图像中的组织结构进行快速精确的自动划分。轻量级多尺度特征提取模块为局部区域高效聚合不同感受野下的多尺度上下文信息;轻量级动态区域注意力模块通过构建区域间相关性实现全局特征的动态分区增强;子区域分类策略高效编码邻域上下文信息并快速输出区域分类结果;基于区域正则化的损失函数帮助模型建模乳腺癌各组织结构间独有的空间分布关系。在三个乳腺癌组织结构分类数据集上验证了该方法在模型精度与推理速度之间进行了良好的权衡。<br>　　综上，本文从两种不同的角度展示了基于深度学习方法辅助病理图像精准定量分析的可行性，为计算病理学的发展提供有力的工具及理论基础。