病理切片是臨床疾病診斷的金標(biāo)準(zhǔn),病理醫(yī)生通過對(duì)病理切片進(jìn)行鏡檢,完成病理診斷和預(yù)后評(píng)估,整個(gè)過程對(duì)于病理醫(yī)生而言既費(fèi)時(shí)費(fèi)力又富有挑戰(zhàn)。近年來,隨著數(shù)字病理切片在病理診斷中的不斷應(yīng)用,機(jī)器學(xué)習(xí)方法走進(jìn)了病理領(lǐng)域,并且推動(dòng)著病理分析逐漸從定性分析向定量分析轉(zhuǎn)變。計(jì)算機(jī)輔助數(shù)字病理分析能夠幫助病理醫(yī)生克服人工診斷易受認(rèn)知能力、主觀經(jīng)驗(yàn)、疲勞程度等諸多因素影響的情況,同時(shí)可以有效提高病理診斷的準(zhǔn)確率和穩(wěn)定性,減少誤診和漏診,對(duì)病情診斷和治療方案的選擇都有著重大意義。目前,無論是傳統(tǒng)的機(jī)器學(xué)習(xí)還是最近發(fā)展的深度學(xué)習(xí)在病理圖像分析中均展現(xiàn)出了巨大潛力,但由于計(jì)算機(jī)輔助病理診斷臨床應(yīng)用需滿足各種更為精細(xì)化的要求和缺少標(biāo)注數(shù)據(jù)等挑戰(zhàn),多數(shù)已有研究方法仍然無法滿足臨床應(yīng)用的要求。本文基于這一現(xiàn)狀,進(jìn)一步探究了病理圖像的精細(xì)化分析,主要內(nèi)容包含如下:(1)針對(duì)臨床病理診斷的高效性要求,本文提出了一種新的分布式并行方法,即采用數(shù)據(jù)和模型同時(shí)并行的方法來完成骨骼肌病理圖像的快速分割�；赟park云平臺(tái),采用master-worker并行的方式,并在每個(gè)worker節(jié)點(diǎn)上,首先采用具有快速并行預(yù)測(cè)功能的結(jié)構(gòu)化隨機(jī)森林邊緣檢測(cè)器檢測(cè)邊緣,然后使用超像素方法生成候選區(qū)域,最后利用條件隨機(jī)場(chǎng)算法提出了一種基于層次樹的區(qū)域選擇算法,同時(shí)利用多核編程技術(shù)做了進(jìn)一步并行化。通過實(shí)驗(yàn)證明,本文所提出的并行方法相較于單機(jī)模式在大尺度骨骼肌病理圖像分割中實(shí)現(xiàn)了10倍的速度提升。(2)針對(duì)臨床病理診斷的高精確性要求,本文提出了一種基于深層次連接網(wǎng)絡(luò)的全場(chǎng)骨骼肌病理圖像精細(xì)分割算法。所提出的深層次連接網(wǎng)絡(luò)通過在編碼器模塊的不同層加入具有獨(dú)立損失函數(shù)的解碼器來實(shí)現(xiàn)多尺度預(yù)測(cè),并將多尺度預(yù)測(cè)結(jié)果組合后生成更魯棒的精細(xì)分割,有效地解決了現(xiàn)有端到端卷積神經(jīng)網(wǎng)絡(luò)在細(xì)胞分割時(shí)輸出相對(duì)粗糙的問題,最后采用一種兩階段學(xué)習(xí)策略來有效地訓(xùn)練所提出的深層網(wǎng)絡(luò)。通過在骨骼肌病理圖像數(shù)據(jù)集上的實(shí)驗(yàn)證明了與其他現(xiàn)有方法相比,本文的方法在分割效率和準(zhǔn)確率上均有顯著的提高。(3)針對(duì)缺乏大量已標(biāo)注病理圖像這一挑戰(zhàn),本文提出了一種新的基于半監(jiān)督深度線性判別分析的組織病理圖像分類算法。首先將深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)替換為線性判別分析的損失函數(shù),目的是生成具有最小化類內(nèi)距離和最大化類間距離的特征,同時(shí)構(gòu)建一個(gè)魯棒且有效的圖拉普拉斯;然后利用已標(biāo)注和未標(biāo)注圖像特征構(gòu)造的圖(Graph)來設(shè)計(jì)一個(gè)新的損失函數(shù),并將其作為深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù);最后利用網(wǎng)絡(luò)所生成的特征完成分類。通過在骨骼肌和肺癌病理圖像上的驗(yàn)證實(shí)驗(yàn)證明了本文方法優(yōu)于多數(shù)現(xiàn)有方法。(4)針對(duì)臨床病理診斷的高實(shí)用性要求,本文提出了一種基于深度學(xué)習(xí)的肺癌生存分析模型。首先提出采用帶有全局平均池化的深度神經(jīng)網(wǎng)絡(luò)構(gòu)建端到端的細(xì)胞特征學(xué)習(xí)模塊,并使用基于局部約束線性編碼和詞袋編碼算法將細(xì)胞級(jí)特征聚合到患者級(jí)的特征向量;然后提出基于彈性網(wǎng)絡(luò)懲罰的Cox比例風(fēng)險(xiǎn)模型,并將其應(yīng)用于特征選擇和生存分析;最后還提出了一種生物標(biāo)志物的可視化方法來幫助醫(yī)生定位那些有助于生存分析模型決策的圖像區(qū)域。通過大量的驗(yàn)證實(shí)驗(yàn)證明了所提出的生存分析模型對(duì)TCGA肺癌數(shù)據(jù)集具有良好的預(yù)測(cè)能力。
【學(xué)位單位】：西北大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;R361
【部分圖文】：

西北大學(xué)博士畢業(yè)論文應(yīng)用按照解決任務(wù)的不同主要分為 3 個(gè)方面：深度學(xué)習(xí)方法在細(xì)胞或組織檢測(cè)與分割中的應(yīng)用、深度學(xué)習(xí)方法在組織病理圖像的癌癥分類和分級(jí)中的應(yīng)用以及深度學(xué)習(xí)方法在其他病理圖像分析中的應(yīng)用。1.2.1 深度學(xué)習(xí)方法在細(xì)胞或組織檢測(cè)與分割中的應(yīng)用病理切片中的細(xì)胞核大小、有絲分裂數(shù)目以及腺體形態(tài)結(jié)構(gòu)等在細(xì)胞病理學(xué)和組織病理學(xué)中扮演著重要的角色，在某些疾病的診斷中，只有在細(xì)胞或組織結(jié)構(gòu)正確檢測(cè)和分割的基礎(chǔ)上，才能結(jié)合病理學(xué)知識(shí)提取到能夠有效反映切片信息的特征參數(shù)，從而做出正確的病理診斷[2]。由此可見，從全場(chǎng)病理切片中檢測(cè)與分割出上述細(xì)胞或組織結(jié)構(gòu)是病理圖像分析的基礎(chǔ)步驟，近幾年，有相當(dāng)數(shù)量的一部分基于深度學(xué)習(xí)的病理圖像分析工作致力于研究自動(dòng)檢測(cè)與分割細(xì)胞或組織結(jié)構(gòu)，下面將對(duì)深度學(xué)習(xí)方法在該方面的研究現(xiàn)狀進(jìn)行簡(jiǎn)要介紹。

西北大學(xué)博士畢業(yè)論文然后采用 CNN 分類模型對(duì)所截取的小樣本做有無有絲分裂的二分類判斷，以此來實(shí)現(xiàn)有絲分裂檢測(cè)及計(jì)數(shù)[19]。Wang 等人和 Malon 等人結(jié)合手工設(shè)計(jì)的特征，在提取細(xì)胞核的顏色、形狀、紋理等特征的基礎(chǔ)上，與 CNN 自動(dòng)提取的特征相結(jié)合，降低了算法對(duì)手工設(shè)計(jì)特征的敏感度，同時(shí)在一定程度上也降低了因有絲分裂的多樣性給有絲分裂檢測(cè)所帶來的問題[27,26]。此外，Chen 等人使用兩級(jí)級(jí)聯(lián)深度卷積網(wǎng)絡(luò)，其中第一級(jí)用來大體定位有絲分裂目標(biāo)，然后通過第二級(jí)網(wǎng)絡(luò)將真正的有絲分裂從其相似目標(biāo)中識(shí)別出來[36]，在第二級(jí)網(wǎng)絡(luò)中，該算法采用了遷移學(xué)習(xí)的方法，將跨領(lǐng)域所學(xué)習(xí)到的特征遷移到病理圖像中，有效緩解了訓(xùn)練數(shù)據(jù)不足的問題。隨后，Chen 等人又提出了一種采用“端到端”的回歸網(wǎng)絡(luò)模型進(jìn)行有絲分裂檢測(cè)[37]，同樣也使用了遷移學(xué)習(xí)的方法。

圖 1.3 結(jié)腸組織病理圖像的腺體分割在前面分類的基礎(chǔ)上，各團(tuán)隊(duì)又進(jìn)一步采用分割算法來分割單個(gè)腺體，其中CVML 團(tuán)隊(duì)以及 vision4GlaS 團(tuán)隊(duì)使用基于輪廓的傳統(tǒng)方法來分割腺體；ExB 通過外訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)用于檢測(cè)腺體的輪廓，同時(shí)結(jié)合傳統(tǒng)算法來實(shí)現(xiàn)腺體的分割。同于以上方法，也有的團(tuán)隊(duì)直接采用深度神經(jīng)網(wǎng)絡(luò)完成任務(wù)，F(xiàn)reiburg 團(tuán)隊(duì)在 CNN絡(luò)的基礎(chǔ)上，添加由上卷積層和卷積層構(gòu)成的聚合通路，并將每一級(jí)的細(xì)節(jié)特征反傳播到聚合通路中以捕捉腺體邊緣；BenTaieb 等人設(shè)計(jì)了具有兩種損失函數(shù)的多任全卷積網(wǎng)絡(luò)（Fully Convolutional Neural Network, FCN）[40]，首先對(duì)候選樣本做有腺體的分類，其次對(duì)包含腺體的樣本進(jìn)行分割，最后對(duì)分類和分割結(jié)果進(jìn)行彼此優(yōu)化除了與比賽相關(guān)的腺體分割算法研究之外，還有 Chen 等人提出了深度輪廓感知網(wǎng)[41]，使用基于多尺度特征表達(dá)的 FCN 分割腺體；Xu 等人將 FCN 與整體邊緣檢測(cè)相結(jié)合[42]，克服了 FCN 無法識(shí)別單個(gè)腺體的缺點(diǎn)，實(shí)現(xiàn)了腺體的單獨(dú)分割。

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

本文編號(hào)：2810582