卷积神经网络在病理诊断中的研究与应用

发布时间：2020-06-13 23:03

【摘要】：病理诊断在肿瘤诊断中起着至关重要的作用。在病理诊断中,通过手术从病人肿瘤中切取少量组织制作病理切片,病理学家在显微镜下观察切片,依据肿瘤细胞及其组织形态,给出肿瘤良恶性、转移程度等鉴定报告,此过程也称之为活体组织检查(简称:活检)。病理诊断作为良性肿瘤以及癌症诊断的重要依据,其结果的准确度与精度对病人尤为重要,将直接影响到下一步的治疗计划。因此,病理诊断也被称为疾病诊断中的“金标准”,其权威性远超其他影像检查,例如CT影像,核磁影像等。由于病理诊断结果的精确度严重依赖病理学家的诊断水平,从业不同时间的病理医生给出的结果也不尽相同,因此结合计算机辅助诊断系统,将有效提高病理诊断准确度。随着计算机、互联网、大数据的兴起,深度学习在图像识别、自动驾驶、语音识别等领域取得了诸多突破。本文使用深度学习技术结合病理图像,对深度学习病理诊断算法展开研究,并以乳腺癌病理诊断为例,设计出对应的诊断算法及诊断系统。主要研究内容如下:1)使用全卷积神经网络(Fully Convolutional Networks,FCN),研究了深度学习在病理图像上的分割算法。结合病理切片显微镜下多分辨率特点,提出了多分辨率、多网络之间的概率融合诊断算法,实现对病理图像诊断的效果。通过实验,并对比其他诊断算法,本文的算法具有较高的准确度及鲁棒性。2)研究了一套使用深度学习用于病理图像诊断的训练方法。相较自然图像,病理切片具有超高的分辨率,呈金字塔形,底层的高分辨率图像可以观察到细胞结构,上层低分辨率图像中体现的是组织形态,使用全卷积网络进行训练时,不同分辨率下的图像也完全不同,网络收敛较慢,甚至不能正常训练。本文使用迁移学习、比例抽取、重新训练拟合较差的数据集等方法,提升了网络的收敛速度以及训练效果。3)运用Ubuntu操作系统配合GPU显卡加速,设计了一套乳腺癌病理图像诊断系统,对乳腺癌病理图像进行了四类分割、二类分割,并取得了较高的诊断准确度,验证了算法的可行性以及诊断系统性能。
【图文】：

病理诊断,医生,高分辨率,病理

卷积神经网络在病理诊断中的研究与应用癌病理诊断结果，一张乳腺癌病理切片在高分辨率下的大小为 42113x65625，使用电读入一张病理切片将占用 8GB 存储空间。高分辨率增加了病理医生的工作量，很容对诊断精度产生影响，不同的病理医生给出的结果也不一样，易产生误诊率[5-6]，加复杂的切片制作过程，造成了病理诊断需要 3~7 天才能出结果，降低了病理诊断效

病理切片,医生,病理,红蓝色

卷积神经网络在病理诊断中的研究与应用步骤：1）截取组织器官标本：常用的方式有两种，一种为经过体表穿刺、内镜（支气管镜、肠、胃镜、膀胱镜等）钳取、薄膜夹取等方式从患者体内取出少量的组织；另一种为手术中从患者体内直接切除的组织。2）制作病理切片：大体分为取材、固定、脱水、透明、浸蜡、包埋、切片、脱蜡、染色、封片等一系列步骤。其中染色过程多为使用苏木精-伊红（Hematoxylin-Eosin,H&E）染色法，染色后的切片呈红蓝色。3）诊断：通常病理医生收到标本后需要做两方面的检查：肉眼检查（巨检）以及在显微镜下检查（微检）。巨检主要观察取来样本的大小、色泽、以及质地等，对样本有初步了解。对诊断起决定性作用的是微检，微检需要借助显微镜观察制作好的病理切片，如图 1-2 乳腺癌病理切片，正常细胞以及癌变细胞的结构形态有所不同，病理医生需要通过这些细节变化对疾病做出诊断，并标记样本中的癌变组织。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;R730.4

【参考文献】