基于深度学习的医学病理图像智能分析算法研究
发布时间：2020-08-31 21:16
病理诊断作为一种直接通过肉眼观察显微镜下人体活检样本的组织结构与生理特征的医学诊断方式,是医学诊断领域带有宣判性质的权威性诊断方法,被誉为诊断“金标准”。本文围绕数字病理图像智能分析,主要开展了微小浸润性宫颈癌基底膜分割、病理细胞核分割以及融合诊断报告语义信息的可解释性诊断算法研究工作,其中:1)针对已有语义边缘分割模型在基底膜分割中所存在的边缘完整性、连续性、全局性不足的问题,提出使用生成对抗网络来让分割网络学习基底膜边缘像素空间排列一致性及其形状先验,并通过与医院合作建立的数据集,实验验证了带有对抗网络训练的分割模型良好的解决了已有分割模型所存在的上述问题。2)针对病理细胞核分割中所存在的细胞核严重重叠、内部灰度不均、背景噪声伪影复杂、染色差异等众多问题,本文提出级联式卷积网络模型来完成细胞核前景提取、细胞核前景降噪、细胞核前景距离变换以及细胞核边缘提取四个级联式子任务,将所有子任务整合在了一个端到端可训练优化的模型中,并通过实验验证了该模型相比于已有模型的优越性。3)已有的绝大多数数字病理图像的癌症分级、病变识别等类型的工作均把此类问题看做单纯的诊断结论标签的图像分类工作,但实际的病理医生在给出诊断结论时会写下诊断报告以描述图像并推断出结论的。本文研究了如何有效利用病理诊断报告中的语义信息来辅助诊断结论的预测。此外,本文通过结合自然图像分析领域的注意力机制研究,赋予了诊断结论一定的可解释性,即在模型生成诊断结论的同时,会在原图中高亮出一块区域,用来表示模型所关注的图像区域。基于与医院合作建立的宫颈癌前病变的诊断数据集(包含病理图像及其病理诊断报告),本文将所提出模型与已有图像分类模型进行实验对比,验证了加入诊断报告语义信息对于诊断结论预测的积极作用,并通过大量扩展实验进一步证明了本文所提出模型的合理性。
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TP18;R36
【部分图文】：
在于病理诊断是通过对病人身体上的活体样本直接进行显微镜下的观察得到的。所以，病理医生常常被称为“医生的医生”，病理诊断被称为“最后的审判”。随着数字病理扫描仪，病理图像数字化的不断发展以及大数据时代的到来，原本病理医生在显微镜下观察到的所有的图像渐渐变成了“硬盘中的数据”。由于病理诊断极大的依赖专家个人经验和隐形知识，尽管当前病理信息获取手段实现了高通量检测、多维度表征、数字化存储，但是并未从根本上解决病理诊断人才匮乏、病理诊断医生受地区、专业性限制的局面。据统计，全国有执照的病理医生仅 9000 余人，按照每 100 张病床配备 1 名-2 名病理科医师计算，病理医生的缺口高达 4 万-9 万人。病理诊断本身比较依赖于多年的诊断实际经验，经验丰富的病理医生往往分布在大城市的三甲医院，而地市级和基层医院的对病理会诊的需要很迫切。因此如何让计算机学习好经验丰富的病理医生的诊断经验，去帮助医疗资源稀缺的地区以及减轻已有病理医生的负担，便显示出了很大的社会价值。1.2 数字病理图像分析研究现状概述
宫颈癌是常见妇科恶性肿瘤，其发病率在女性恶性肿瘤中位居第二位，全世界每年新增宫颈癌病例约为50万左右，主要集中在发展中国家及欠发达地区。依据发病机制及病理形态学特征，宫颈癌分为鳞形细胞癌、腺癌、腺鳞癌、神经内分泌癌等多种类型，其中鳞形细胞癌最为常见，约占70%。宫颈鳞形细胞癌的发生经历了一个从人乳头状瘤病毒感染——癌前病变——微小浸润性鳞状细胞癌（Microinvasive Carcinoma of the Cervix, MIC）——浸润性鳞癌的较为漫长的过程。MIC 作为鳞形细胞癌前病变向浸润性鳞癌发展的一个重要病理阶段，它的及早发现及精确诊断不论对患者的预后评估还是指导临床的个性化治疗都具有重要意义。目前，国际妇产科协会（FIGO）和妇产科肿瘤协会（SGO）都分别对 MIC的诊断标准及量化指标进行了严格的定义[25]，其中突破鳞形上皮基底膜的最大浸润深度是 MIC 病理诊断的关键性指标，如图 2-1 所示。但是长期以来，MIC诊断缺乏免疫组化技术的辅助（例如乳腺癌可以通过免疫组化识别肌上皮的缺失来明确诊断），鳞形上皮的基底膜相关标记至今仍未发现，MIC 诊断主要依赖显微镜下的组织形态学观察。
图 2-2 MIC 基底膜待分割病理图像Fig.2-2 MIC digital pathology images针对基底膜分割问题提出了一种基于深度学习的语义边缘分割模模型之前，本节 2.1 首先介绍基底膜分割相关的计算机视觉算法中的研究现状以及病理图像分析领域的已有相关工作。2.2 节介算法模型。2.3 节介绍对比实验结果与分析。2.4 节对于本章内容义分割算法分割是指像素级的图像理解，即对图像中的每个像素标注所属的-3 所示：
本文编号：2809332
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TP18;R36
【部分图文】：
在于病理诊断是通过对病人身体上的活体样本直接进行显微镜下的观察得到的。所以，病理医生常常被称为“医生的医生”，病理诊断被称为“最后的审判”。随着数字病理扫描仪，病理图像数字化的不断发展以及大数据时代的到来，原本病理医生在显微镜下观察到的所有的图像渐渐变成了“硬盘中的数据”。由于病理诊断极大的依赖专家个人经验和隐形知识，尽管当前病理信息获取手段实现了高通量检测、多维度表征、数字化存储，但是并未从根本上解决病理诊断人才匮乏、病理诊断医生受地区、专业性限制的局面。据统计，全国有执照的病理医生仅 9000 余人，按照每 100 张病床配备 1 名-2 名病理科医师计算，病理医生的缺口高达 4 万-9 万人。病理诊断本身比较依赖于多年的诊断实际经验，经验丰富的病理医生往往分布在大城市的三甲医院，而地市级和基层医院的对病理会诊的需要很迫切。因此如何让计算机学习好经验丰富的病理医生的诊断经验，去帮助医疗资源稀缺的地区以及减轻已有病理医生的负担，便显示出了很大的社会价值。1.2 数字病理图像分析研究现状概述
宫颈癌是常见妇科恶性肿瘤，其发病率在女性恶性肿瘤中位居第二位，全世界每年新增宫颈癌病例约为50万左右，主要集中在发展中国家及欠发达地区。依据发病机制及病理形态学特征，宫颈癌分为鳞形细胞癌、腺癌、腺鳞癌、神经内分泌癌等多种类型，其中鳞形细胞癌最为常见，约占70%。宫颈鳞形细胞癌的发生经历了一个从人乳头状瘤病毒感染——癌前病变——微小浸润性鳞状细胞癌（Microinvasive Carcinoma of the Cervix, MIC）——浸润性鳞癌的较为漫长的过程。MIC 作为鳞形细胞癌前病变向浸润性鳞癌发展的一个重要病理阶段，它的及早发现及精确诊断不论对患者的预后评估还是指导临床的个性化治疗都具有重要意义。目前，国际妇产科协会（FIGO）和妇产科肿瘤协会（SGO）都分别对 MIC的诊断标准及量化指标进行了严格的定义[25]，其中突破鳞形上皮基底膜的最大浸润深度是 MIC 病理诊断的关键性指标，如图 2-1 所示。但是长期以来，MIC诊断缺乏免疫组化技术的辅助（例如乳腺癌可以通过免疫组化识别肌上皮的缺失来明确诊断），鳞形上皮的基底膜相关标记至今仍未发现，MIC 诊断主要依赖显微镜下的组织形态学观察。
图 2-2 MIC 基底膜待分割病理图像Fig.2-2 MIC digital pathology images针对基底膜分割问题提出了一种基于深度学习的语义边缘分割模模型之前，本节 2.1 首先介绍基底膜分割相关的计算机视觉算法中的研究现状以及病理图像分析领域的已有相关工作。2.2 节介算法模型。2.3 节介绍对比实验结果与分析。2.4 节对于本章内容义分割算法分割是指像素级的图像理解，即对图像中的每个像素标注所属的-3 所示：
【参考文献】
相关期刊论文 前1条
1 鲍冬梅;沈丹华;薛卫成;;宫颈微小浸润性鳞状细胞癌[J];中华病理学杂志;2006年08期
本文编号：2809332
本文链接：https://www.wllwen.com/xiyixuelunwen/2809332.html
最近更新
教材专著
