基于医学高光谱影像分析的肿瘤组织分类方法研究

发布时间：2020-06-14 13:03

【摘要】：随着近几年高光谱成像技术以及精准医学理论的迅速发展,将高光谱技术应用于近距离的医学诊断成为新的研究趋势。以显微高光谱技术为基础,结合光谱特征分析和深度学习方法,可以为医学病理诊断提供更多辅助信息,为生物组织学提供更精细的光谱特征。因此,本文以显微高光谱技术为切入点,详细阐述了显微高光谱成像系统、标准化数据采集流程、显微高光谱数据预处理与分析方法。以胃癌病理组织切片为例,深入研究了基于卷积神经网络和迁移学习模型的分类性能,并提出了一套完整的图谱联合分类诊断方法。同时将显微高光谱技术应用于高光谱虚拟染色、细菌微生物检测和黑色素瘤诊断等研究领域,体现了广阔的应用前景和研究价值。本文的主要研究成果和创新点如下:(1)基于显微高光谱成像技术的标准化数据采集流程与预处理方法。包括切片样本制作与标记、数据采集、实验样本提取、光谱数据预处理和光谱分析等。根据本文实验采用显微高光谱成像系统的仪器特点,以及采集的高光谱显微图像中独特的纹理结构,提出了最佳的数据预处理和可视化方案,用于后期高效的模型判别与病理分析。同时对于显微高光谱成像系统与数据采集系统进行了详细阐述。(2)建立了30例胃癌患者的显微高光谱数据库,并基于此数据库构建卷积神经网络模型。对于胃癌组织与正常组织的细微光谱差异,利用1D-CNN模型进行光谱特征提取,重点研究了1D-CNN应用于胃癌高光谱的最佳模型结构及参数,包括卷积层数、池化类型、全连接层神经元个数等对模型性能的影响,最终分类准确率达到了94.39%。同时对胃癌组织光谱特征的个体差异化进行研究,并与医学特征进行了对比分析。(3)基于多维卷积神经网络与迁移学习模型的肿瘤组织分类诊断方法。针对病理组织纹理结构复杂以及细节信息丰富的特点,利用2D-3D CNN模型将提取到的深层光谱特征与细胞空间特征有机结合,将分类准确率提高到了97.57%。针对医学高光谱训练样本相对有限的特点,利用胃癌数字病理切片的公开数据集建立基于VGG-16的预训练模型,首次将迁移学习应用于胃癌高光谱的分类问题中,充分学习了显微病理组织的先验知识。在此基础上整合数据预处理、光谱分析以及一维与多维CNN分类模型,提出了高效的图谱联合分类诊断模型。(4)基于图谱联合分类诊断模型的显微高光谱技术应用。将显微高光谱技术应用于更多生物医学领域,首先针对传统病理诊断中耗时耗力的染色过程,采用非监督光谱标记结合单谱段形态学信息的方法,实现了对未染色切片的高光谱虚拟染色。同时还对各类病原菌、皮肤黑色素瘤、肝癌组织与大熊猫毛发的显微高光谱特征进行了研究,实现了多领域应用创新,并为其他组织器官与生物样本的相关研究提供了借鉴方法。
【学位授予单位】：中国科学院大学(中国科学院西安光学精密机械研究所)
【学位级别】：博士
【学位授予年份】：2018
【分类号】：R730.2;TP391.41
【图文】：

医学,医学领域

景与意义医学与人工智能，美国正式启动了精准医学计划（Precision Medicin医学史上的新登月计划，将会是开启医学领域新时代最好集大数据集的生物样本、医疗数据和患者的健康信息，针、肝癌、肺癌、乳腺癌等疾病展开一系列研究工作。其实.1）的概念早在 20 世纪 90 年代就已提出[2][3][4]，并在近十6 年至 2015 年精准医学领域逐年上升的文章数量，也从侧关注。自从美国提出精准医学计划以来，精准医学迅速成注的焦点，英国、法国、韩国、澳大利亚等国都相继启动，并逐步将其提升到国家战略层面。据不完全统计，目前究计划的国家已超过 10 个，投资金额超过 50 亿美元，全预计将以每年 15%的速率增长，2020 年市场规模将突破

中美,医学,癌症

直接关联的产业规模将超过 100 亿，形成产业集群式发展，市场每年的增速将达到 20%-25%。同时，国内医疗巨大的现实需求也学的发展提出了更高要求。中国作为人口大国，恶性肿瘤是一直造成居主要原因之一[5]。根据 2017 年中国癌症统计数据，中国的癌症死亡率平均水平 17%，全国每天约有 1 万人确诊癌症，慢性病患者达到 2.6 亿肺癌的发病率、死亡率均为最高，其次是消化系统癌症；男性罹患前列癌风险高，女性罹患乳腺癌和甲状腺癌的风险最高；不同癌症的地域性较为明显。这些重大疾病造成了国家人力资源和经济资源的损失，而目疗仍局限于传统的临床症状表现、生理生化指标差异和影像学分析，对织器官的深层次分子生物学变化的研究还较少[6][7][8]。以癌前病变诊断国家的早期诊断率达到 50％，北欧对于某些癌症的早期诊断率甚至，而中国还不足 20％。精准医学的出现也正是为了解决这样的现实需重大疾病诊疗以及生育健康领域的应用前景广阔。

【参考文献】