【摘要】：病理診斷在腫瘤診斷中起著至關(guān)重要的作用。在病理診斷中,通過手術(shù)從病人腫瘤中切取少量組織制作病理切片,病理學(xué)家在顯微鏡下觀察切片,依據(jù)腫瘤細(xì)胞及其組織形態(tài),給出腫瘤良惡性、轉(zhuǎn)移程度等鑒定報告,此過程也稱之為活體組織檢查(簡稱:活檢)。病理診斷作為良性腫瘤以及癌癥診斷的重要依據(jù),其結(jié)果的準(zhǔn)確度與精度對病人尤為重要,將直接影響到下一步的治療計劃。因此,病理診斷也被稱為疾病診斷中的“金標(biāo)準(zhǔn)”,其權(quán)威性遠(yuǎn)超其他影像檢查,例如CT影像,核磁影像等。由于病理診斷結(jié)果的精確度嚴(yán)重依賴病理學(xué)家的診斷水平,從業(yè)不同時間的病理醫(yī)生給出的結(jié)果也不盡相同,因此結(jié)合計算機(jī)輔助診斷系統(tǒng),將有效提高病理診斷準(zhǔn)確度。隨著計算機(jī)、互聯(lián)網(wǎng)、大數(shù)據(jù)的興起,深度學(xué)習(xí)在圖像識別、自動駕駛、語音識別等領(lǐng)域取得了諸多突破。本文使用深度學(xué)習(xí)技術(shù)結(jié)合病理圖像,對深度學(xué)習(xí)病理診斷算法展開研究,并以乳腺癌病理診斷為例,設(shè)計出對應(yīng)的診斷算法及診斷系統(tǒng)。主要研究內(nèi)容如下:1)使用全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks,FCN),研究了深度學(xué)習(xí)在病理圖像上的分割算法。結(jié)合病理切片顯微鏡下多分辨率特點(diǎn),提出了多分辨率、多網(wǎng)絡(luò)之間的概率融合診斷算法,實(shí)現(xiàn)對病理圖像診斷的效果。通過實(shí)驗(yàn),并對比其他診斷算法,本文的算法具有較高的準(zhǔn)確度及魯棒性。2)研究了一套使用深度學(xué)習(xí)用于病理圖像診斷的訓(xùn)練方法。相較自然圖像,病理切片具有超高的分辨率,呈金字塔形,底層的高分辨率圖像可以觀察到細(xì)胞結(jié)構(gòu),上層低分辨率圖像中體現(xiàn)的是組織形態(tài),使用全卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練時,不同分辨率下的圖像也完全不同,網(wǎng)絡(luò)收斂較慢,甚至不能正常訓(xùn)練。本文使用遷移學(xué)習(xí)、比例抽取、重新訓(xùn)練擬合較差的數(shù)據(jù)集等方法,提升了網(wǎng)絡(luò)的收斂速度以及訓(xùn)練效果。3)運(yùn)用Ubuntu操作系統(tǒng)配合GPU顯卡加速,設(shè)計了一套乳腺癌病理圖像診斷系統(tǒng),對乳腺癌病理圖像進(jìn)行了四類分割、二類分割,并取得了較高的診斷準(zhǔn)確度,驗(yàn)證了算法的可行性以及診斷系統(tǒng)性能。
【圖文】：

卷積神經(jīng)網(wǎng)絡(luò)在病理診斷中的研究與應(yīng)用癌病理診斷結(jié)果，一張乳腺癌病理切片在高分辨率下的大小為 42113x65625，使用電讀入一張病理切片將占用 8GB 存儲空間。高分辨率增加了病理醫(yī)生的工作量，很容對診斷精度產(chǎn)生影響，不同的病理醫(yī)生給出的結(jié)果也不一樣，易產(chǎn)生誤診率[5-6]，加復(fù)雜的切片制作過程，造成了病理診斷需要 3~7 天才能出結(jié)果，降低了病理診斷效

卷積神經(jīng)網(wǎng)絡(luò)在病理診斷中的研究與應(yīng)用步驟：1）截取組織器官標(biāo)本：常用的方式有兩種，一種為經(jīng)過體表穿刺、內(nèi)鏡（支氣管鏡、腸、胃鏡、膀胱鏡等）鉗取、薄膜夾取等方式從患者體內(nèi)取出少量的組織；另一種為手術(shù)中從患者體內(nèi)直接切除的組織。2）制作病理切片：大體分為取材、固定、脫水、透明、浸蠟、包埋、切片、脫蠟、染色、封片等一系列步驟。其中染色過程多為使用蘇木精-伊紅（Hematoxylin-Eosin,H&E）染色法，染色后的切片呈紅藍(lán)色。3）診斷：通常病理醫(yī)生收到標(biāo)本后需要做兩方面的檢查：肉眼檢查（巨檢）以及在顯微鏡下檢查（微檢）。巨檢主要觀察取來樣本的大小、色澤、以及質(zhì)地等，對樣本有初步了解。對診斷起決定性作用的是微檢，微檢需要借助顯微鏡觀察制作好的病理切片，如圖 1-2 乳腺癌病理切片，正常細(xì)胞以及癌變細(xì)胞的結(jié)構(gòu)形態(tài)有所不同，病理醫(yī)生需要通過這些細(xì)節(jié)變化對疾病做出診斷，并標(biāo)記樣本中的癌變組織。
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP183;R730.4

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許燕;湯燁;閆雯;張益肇;來茂德;;病理人工智能的現(xiàn)狀和展望[J];中華病理學(xué)雜志;2017年09期

2 QU AiPing;CHEN JiaMei;WANG LinWei;YUAN JingPing;YANG Fang;XIANG QingMing;MASKEY Ninu;YANG GuiFang;LIU Juan;LI Yan;;Segmentation of Hematoxylin-Eosin stained breast cancer histopathological images based on pixel-wise SVM classifier[J];Science China(Information Sciences);2015年09期

3 聶德紅;李洪義;李凱;黃小飛;;乳腺癌的影像學(xué)檢查現(xiàn)狀與新進(jìn)展[J];中國當(dāng)代醫(yī)藥;2015年15期

4 許樂仁;;醫(yī)學(xué)病理學(xué)的發(fā)展與我國近代獸醫(yī)病理學(xué)[J];山地農(nóng)業(yè)生物學(xué)報;2015年02期

5 莊福振;羅平;何清;史忠植;;遷移學(xué)習(xí)研究進(jìn)展[J];軟件學(xué)報;2015年01期

6 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];計算機(jī)研究與發(fā)展;2013年09期

7 張中海;;病理切片制作過程中常見問題及原因探析[J];吉林醫(yī)學(xué);2011年27期

8 胡敏;李梅;汪榮貴;;改進(jìn)的Otsu算法在圖像分割中的應(yīng)用[J];電子測量與儀器學(xué)報;2010年05期

9 張揚(yáng)永;;基于HSV顏色空間的淋巴瘤病理圖像分割[J];福建工程學(xué)院學(xué)報;2007年03期

10 張乃鑫;病理科工作的若干基本要素[J];診斷病理學(xué)雜志;2003年04期

相關(guān)博士學(xué)位論文 前1條

1 覃姜維;遷移學(xué)習(xí)方法研究及其在跨領(lǐng)域數(shù)據(jù)分類中的應(yīng)用[D];華南理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前2條

1 陳鴻翔;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D];浙江大學(xué);2016年

2 項(xiàng)磊;基于乳腺癌計算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

，

本文編號：2711872