论文部分内容阅读
在癌症诊断和预后中，病理医生通常使用显微镜观察组织切片中的不同病理标志物进行病理等级评分。细胞核异型性是世界卫生组织推荐的针对乳腺癌诊断的诺丁汉分级系统中三个评分要素之一，因此对该指标评判的准确性决定了医生诊断乳腺癌患者恶性程度高低的关键指标，因此也决定了接下来治疗方案的制定。细胞核异型性主要是对病理图像中细胞核的形态、外观、纹理和分布以及其他相关视觉特征的分析。 为了有效地进行细胞核异型性自动评分，本文提出了一种乳腺组织病理图像细胞核异型性自动评分模型，该模型组合了深度卷积网络和结合策略。该模型针对每个病例的3种不同分辨率下的组织病理图像分别构建三个卷积神经网络进行独立地评分，从而分别得到3种分辨率下的评分结果。接下来使用相对多数投票法综合评估每个病例的最终细胞核异型性评分结果，从而实现细胞核异型性的自动评分。为了评估所提出的模型对细胞核异型性评分的有效性，利用训练好的模型对124个病例（其中每个病例包含3种不同分辨率的图像）的372张测试图像进行自动评分，并把该自动评分结果与病理医生评分结果作比较进行性能评估。以病理医生评分结果为基准，目前本文提出模型的评分正确率得分为67分，该结果与现有的最好结果相比评分准确率排名第二。此外，本文提出模型的计算效率也很高，平均在每个病例的三个分辨率下图像的计算时间分别约为1.2、5.5、30秒。 除了基于整张病理图像分析的细胞核异型性评分，本文提出以构建基于单个细胞核形态和纹理等特征描述的细胞核异型性评分为目标的细胞核自动分割的方法。本文的方法不需要使用数据集的细胞核边界标记，而只是利用数据集的细胞核质心标记的就可训练出能够分割细胞核的卷积神经网络，因此该方法极大的降低了数据集预处理的工作量。在模型实际应用阶段，结合卷积网络和滑动窗口方法对细胞核进行自动定位，接下来以该位置为中心截取细胞核预选区域，最后使用细胞核分割模型对预选区域进行逐像素点的判断其是否属于细胞核。为了验证该方法的优越性，本文在公开数据集上的分割准确率分别为:0.9015,0.6908,0.6325和0.8274。