病理切片是臨床疾病診斷的金標準,病理醫(yī)生通過對病理切片進行鏡檢,完成病理診斷和預后評估,整個過程對于病理醫(yī)生而言既費時費力又富有挑戰(zhàn)。近年來,隨著數(shù)字病理切片在病理診斷中的不斷應用,機器學習方法走進了病理領域,并且推動著病理分析逐漸從定性分析向定量分析轉變。計算機輔助數(shù)字病理分析能夠幫助病理醫(yī)生克服人工診斷易受認知能力、主觀經(jīng)驗、疲勞程度等諸多因素影響的情況,同時可以有效提高病理診斷的準確率和穩(wěn)定性,減少誤診和漏診,對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)的機器學習還是最近發(fā)展的深度學習在病理圖像分析中均展現(xiàn)出了巨大潛力,但由于計算機輔助病理診斷臨床應用需滿足各種更為精細化的要求和缺少標注數(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用的要求。本文基于這一現(xiàn)狀,進一步探究了病理圖像的精細化分析,主要內(nèi)容包含如下:(1)針對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)和模型同時并行的方法來完成骨骼肌病理圖像的快速分割。基于Spark云平臺,采用master-worker并行的方式,并在每個worker節(jié)點上,首先采用具有快速并行預測功能的結構化隨機森林邊緣檢測器檢測邊緣,然后使用超像素方法生成候選區(qū)域,最后利用條件隨機場算法提出了一種基于層次樹的區(qū)域選擇算法,同時利用多核編程技術做了進一步并行化。通過實驗證明,本文所提出的并行方法相較于單機模式在大尺度骨骼肌病理圖像分割中實現(xiàn)了10倍的速度提升。(2)針對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)絡的全場骨骼肌病理圖像精細分割算法。所提出的深層次連接網(wǎng)絡通過在編碼器模塊的不同層加入具有獨立損失函數(shù)的解碼器來實現(xiàn)多尺度預測,并將多尺度預測結果組合后生成更魯棒的精細分割,有效地解決了現(xiàn)有端到端卷積神經(jīng)網(wǎng)絡在細胞分割時輸出相對粗糙的問題,最后采用一種兩階段學習策略來有效地訓練所提出的深層網(wǎng)絡。通過在骨骼肌病理圖像數(shù)據(jù)集上的實驗證明了與其他現(xiàn)有方法相比,本文的方法在分割效率和準確率上均有顯著的提高。(3)針對缺乏大量已標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,同時構建一個魯棒且有效的圖拉普拉斯;然后利用已標注和未標注圖像特征構造的圖(Graph)來設計一個新的損失函數(shù),并將其作為深度神經(jīng)網(wǎng)絡的損失函數(shù);最后利用網(wǎng)絡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證實驗證明了本文方法優(yōu)于多數(shù)現(xiàn)有方法。(4)針對臨床病理診斷的高實用性要求,本文提出了一種基于深度學習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)絡構建端到端的細胞特征學習模塊,并使用基于局部約束線性編碼和詞袋編碼算法將細胞級特征聚合到患者級的特征向量;然后提出基于彈性網(wǎng)絡懲罰的Cox比例風險模型,并將其應用于特征選擇和生存分析;最后還提出了一種生物標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。通過大量的驗證實驗證明了所提出的生存分析模型對TCGA肺癌數(shù)據(jù)集具有良好的預測能力。
【學位單位】：西北大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TP391.41;R361
【部分圖文】：

西北大學博士畢業(yè)論文應用按照解決任務的不同主要分為 3 個方面：深度學習方法在細胞或組織檢測與分割中的應用、深度學習方法在組織病理圖像的癌癥分類和分級中的應用以及深度學習方法在其他病理圖像分析中的應用。1.2.1 深度學習方法在細胞或組織檢測與分割中的應用病理切片中的細胞核大小、有絲分裂數(shù)目以及腺體形態(tài)結構等在細胞病理學和組織病理學中扮演著重要的角色，在某些疾病的診斷中，只有在細胞或組織結構正確檢測和分割的基礎上，才能結合病理學知識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，從全場病理切片中檢測與分割出上述細胞或組織結構是病理圖像分析的基礎步驟，近幾年，有相當數(shù)量的一部分基于深度學習的病理圖像分析工作致力于研究自動檢測與分割細胞或組織結構，下面將對深度學習方法在該方面的研究現(xiàn)狀進行簡要介紹。

西北大學博士畢業(yè)論文然后采用 CNN 分類模型對所截取的小樣本做有無有絲分裂的二分類判斷，以此來實現(xiàn)有絲分裂檢測及計數(shù)[19]。Wang 等人和 Malon 等人結合手工設計的特征，在提取細胞核的顏色、形狀、紋理等特征的基礎上，與 CNN 自動提取的特征相結合，降低了算法對手工設計特征的敏感度，同時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所帶來的問題[27,26]。此外，Chen 等人使用兩級級聯(lián)深度卷積網(wǎng)絡，其中第一級用來大體定位有絲分裂目標，然后通過第二級網(wǎng)絡將真正的有絲分裂從其相似目標中識別出來[36]，在第二級網(wǎng)絡中，該算法采用了遷移學習的方法，將跨領域所學習到的特征遷移到病理圖像中，有效緩解了訓練數(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)絡模型進行有絲分裂檢測[37]，同樣也使用了遷移學習的方法。

圖 1.3 結腸組織病理圖像的腺體分割在前面分類的基礎上，各團隊又進一步采用分割算法來分割單個腺體，其中CVML 團隊以及 vision4GlaS 團隊使用基于輪廓的傳統(tǒng)方法來分割腺體；ExB 通過外訓練一個神經(jīng)網(wǎng)絡用于檢測腺體的輪廓，同時結合傳統(tǒng)算法來實現(xiàn)腺體的分割。同于以上方法，也有的團隊直接采用深度神經(jīng)網(wǎng)絡完成任務，F(xiàn)reiburg 團隊在 CNN絡的基礎上，添加由上卷積層和卷積層構成的聚合通路，并將每一級的細節(jié)特征反傳播到聚合通路中以捕捉腺體邊緣；BenTaieb 等人設計了具有兩種損失函數(shù)的多任全卷積網(wǎng)絡（Fully Convolutional Neural Network, FCN）[40]，首先對候選樣本做有腺體的分類，其次對包含腺體的樣本進行分割，最后對分類和分割結果進行彼此優(yōu)化除了與比賽相關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的 FCN 分割腺體；Xu 等人將 FCN 與整體邊緣檢測相結合[42]，克服了 FCN 無法識別單個腺體的缺點，實現(xiàn)了腺體的單獨分割。

【參考文獻】

相關期刊論文 前1條

1 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

本文編號：2810582