基于HE染色切片的图像检测分类算法的研究

发布时间：2021-07-06 05:53

　　癌症的危害不言而喻,早期发现治疗至关重要。计算机辅助病理图像检测减轻了病理学家的工作量,有助于降低误诊率,具有很重要的临床价值。数字组织病理学图像分析中的两大基本任务为图像分类和图像检测,在全切片（WSI）上准确检测出病变区域是数字病理诊断和分级任务中的关键步骤。苏木精-伊红（HE）染色法能较好地显示组织结构和细胞形态,且染色后切片可以长期保存,优势明显。基于此,本文主要研究基于HE染色切片的病理图像检测分类算法,主要包括分类模型的训练和病理切片的检测两部分。在训练分类模型时,采取两种基于深度学习的方法进行,并对两种方式训练的分类模型进行性能评估,选取表现较优的分类模型用于病理切片检测;病理切片检测分为大幅图像区域检测和全切片检测,针对全切片的癌变区域检测改进了已有的自适应采样算法,进行大量实验证明改进算法的优越性。本文的主要研究工作如下:（1）研究基于HE染色的病理切片图像特点,根据颜色差异从WSI中提取感兴趣区域。依据病理学家标注分别提取三种倍镜下的区块图像制备三种样本集。针对不同来源的切片图像颜色差异问题,对区块图像进行颜色归一化操作。（2）采取两种方式训练分类模型。一是在研究D... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

经过HE染色后的组织穿刺扫描图

14片均由HE染色剂染色，只是来源于不同的机构，单张图像的大小约为80,000×80,000像素。每张图片有一个同名的标注文件，其中包含该图像的癌细胞区域标注信息，一般由病理学家根据相关医学知识手动标注。如图2-2所示，蓝色区域内为病理学家标注的癌变区域，蓝线区域以外为正常细胞或组织区域。将计算机自动检测结果与病理学家标注结果比较可以对计算机自动分析模型进行评估。图2-2病理切片部分区域及其标注由于整张病理切片尺寸太大，在训练分类模型时，直接对WSI进行分类往往是不切实际的，而将整个组织病理学图像缩小到可处理的图块大小将丢失太多的细节信息，对于计算机或是病理学家均不可能准确识别。所以，我们一般采取区块采样技术从WSI中提取较小尺寸的区块图像进行分类模型的训练。由于在不同放大倍数下所呈现的图像会存在差异，代表不同的组织信息，病理学家在对全切片进行诊断时，往往会先在较低的放大倍数下进行粗略分析，对可能存在问题的区域则会提高分辨率进行详细分析。为了提高后续对全切片的诊断效率，模拟病理学家人工诊断方式，可以先在较低倍镜下大致定位癌变区域，对不确定的区域再次进行较高倍镜下的分析，在不损失精度的情况下可以大大提高检测效率。本文将提取三个不同倍镜的图片进行分析，固定使用10×的目镜，在5×、20×、40×物镜下分别提取区块。其中，在5×倍镜下提取128×128像素大小区块，在20×和40×倍镜下提取256×256像素大小区块。根据病理学家的标注信息，采取滑动窗口方式以256×256（或128×128）大小的矩形框在扫描图中进行切块获取样本集，所得图像分为正样本（癌变区域）和负样本（非癌

正负

【参考文献】：
期刊论文
[1]数字乳腺断层摄影技术在乳腺癌诊断中的临床应用及发展前景[J]. 魏瑶,芦春花.  实用放射学杂志. 2018 (06)
[2]深度学习研究现状分析[J]. 王菲斐.  电子技术与软件工程. 2018(10)
[3]中国抗癌协会乳腺癌诊治指南与规范（2017年版）[J]. 中国抗癌协会乳腺癌专业委员会.  中国癌症杂志. 2017(09)
[4]中国数字病理发展展望[J]. 包骥,步宏.  实用医院临床杂志. 2017(05)
[5]数字病理中计算机辅助诊断研究展望[J]. 邓杨,包骥.  实用医院临床杂志. 2017(05)
[6]拥抱数字病理时代[J]. 郑众喜.  实用医院临床杂志. 2017(05)
[7]病理技术HE染色在病理诊断中价值的分析[J]. 王娟玲.  临床医药文献电子杂志. 2017(37)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[9]基于阈值分割技术的图像分割法研究[J]. 吴掬鸥,袁晓桂.  现代电子技术. 2016(16)
[10]深度学习研究进展[J]. 郭丽丽,丁世飞.  计算机科学. 2015(05)

硕士论文
[1]基于深度核哈希的乳腺X线图像肿块检测方法[D]. 吕鑫.西安电子科技大学 2017



本文编号：3267665