基于深度學習的腺體病理圖像分割

蔡亞潔 李暢 杜悅 黃道斌

摘要：腺體病變引起的疾病如結腸腺癌、乳腺癌等的發病率逐年增高，病理檢查是臨床診斷的“金標準”，從病理圖像中準確分割病灶范圍對疾病的診療至關重要，然而這是一項費時費力的工作，同時與病理醫生的水平與經驗有關。近年來，計算機輔助診斷系統和深度學習（Deep learning）在醫學圖像處理領域快速發展并得到廣泛應用，為進一步減輕醫生的工作負擔，采用經典神經網絡對腺體病理圖像進行區域分割，并使其能夠適用于更加廣泛的腺體分割，在腺體病理圖像中取得較好的分割效果，為輔助早期診斷及減小誤診概率提供可能。

關鍵詞：腺體;病理圖像;計算機輔助診斷;深度學習;卷積神經網絡

中圖分類號：TP183? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）23-0089-03

Abstract：The incidence of diseases caused by glandular lesions such as colon adenocarcinoma and breast cancer is increasing year by year. Pathological examination is the ' gold standard ' for clinical diagnosis. Accurate segmentation of lesion range from pathological images is essential for the diagnosis and treatment of diseases. However， this is a time-consuming and laborious work， which is related to the level and experience of pathologists. In recent years， computer aided diagnosis system and deep learning （Deep learning） has been developed rapidly and widely used in the field of medical image processing. In order to further reduce the heavy work of doctors， the classical neural network is used to segment the gland pathological images， and it can be applied to more extensive gland segmentation. Effective segmentation results are achieved in the gland pathological images， which provide the possibility for early diagnosis and reducing the probability of misdiagnosis.

Key words：glands ; pathological images ; computer aided diagnosis ; deep learning ; convolutional neural network

1引言

腺體包含管腔、細胞質和上皮層，是病理圖像中的關鍵組織結構，H&E染色的病理切片中，部分呈橢圓形，由黑色細胞核環繞腺體基質以及透明空腔構成。傳統上，病理學家常采用手動分割腺體，然而這種方法主要通過人眼觀察顯微鏡系統下的組織進行判識，其處理質量與可靠程度可能會受到不同醫生的影響，不僅效率較低，主觀因素引起的誤差大[1]。在惡性情況下，腺體的結構被破壞，盡管良性病例通常具有圓形結構，但惡性腺卻顯示出不規則的形狀，因此，與良性結構相比，惡性病例的自動分割具有挑戰性。

乳腺癌是來自乳腺終末導管小葉單位的上皮性惡性腫瘤，自從20世紀70年代末，乳腺癌的發病率緩慢上升，并且有年輕化的趨勢，我國每年女性乳腺癌發病人數達16.9萬，占全球總發病數的12.25%，僅次于美國。由中國腫瘤登記中心統計，乳腺癌是城市女性最常見的癌癥，是農村女性第四大常見癌癥[2-3]。胃癌在我國各種惡性腫瘤中發病率第一[4]，胃腺癌的發生率占胃惡性腫瘤的95%。前列腺癌在男性常見的惡性腫瘤中排名第二，僅次于肺癌[5]，我國前列腺癌呈明顯高發趨勢。

現在對腺體病變的診斷主要依賴病理、超聲、鉬靶、核磁共振等，通常先使用鉬靶進行篩查，若無法定性，則進行超聲和核磁共振檢查，出現疑似情況，將進行病理穿刺檢查，并對是否癌變，惡性程度以及分子分型做出判斷[6]。組織病理學檢查作為腺體病變診斷的“金標準”，對于早期診斷至關重要。然而這項工作并不是十分容易，必須面對腺體在形狀、大小、位置、紋理等方面的多變性帶來的影響，因此，探尋合適的腺體病理圖像處理方法，對于降低死亡率、減輕醫生負擔以及提高患者生活質量等方面具有重要意義。

近些年隨著技術的進步，數字化病理系統的出現使得病理資源數字化，網絡化。醫生可以通過電腦完成閱片工作，同時便于更好地分析與交流，打破時間和空間的限制，數字化病理為疾病的精準醫療以及計算機輔助診斷提供了良好的基礎。

2方法

2.1深度學習與卷積神經網絡

深度學習的概念由 Hinton 等人于2006年首次提出[7]，是機器學習算法中的一項新興技術，通過構建多層網絡，以及高層次特征表示數據的抽象語義信息，獲得良好的特征魯棒性。傳統的醫學圖像分割算法包含區域的分割方法、邊緣的分割方法、圖論的分割方法和泛函的圖像分割方法等[8]。由于計算機視覺相關領域發展迅速，醫學圖像分割與深度學習的結合性研究取得顯著的成果[9]，深度學習正在成為通用成像和計算機視覺領域的領先機器學習工具[10]。然而，多層感知器引入了更大的參數量，導致神經網絡難以正常完成訓練，為解決此問題，Krizhevsky等人[11]提出了卷積神經網絡（Convolutional Neural Networks，CNN），采用局部連接和權值共享的方式進行網絡輸入，避免傳統算法中繁瑣的特征提取和數據重建過程[12-13]，減少了權值的數量使得網絡易于優化、模型更加簡便，同時也減少了過擬合發生的幾率，使其在醫學圖像處理過程中有很大的優勢[14]。