25、肝癌组织病理学图像细胞核分割的深度学习检测方法

肝癌组织病理学图像细胞核分割的深度学习检测方法

1. 引言

肝癌是全球最严重的健康问题之一。在肝癌的治疗和病情预后方面，对活检图片进行分级诊断至关重要。利用人工智能的分类方案能为病理学家和医生提供可量化、客观的结果，不仅节省时间，还能提高诊断精度。

分级方法的主要任务是利用癌症活检图像的细胞核分割进行分级。然而，聚焦不佳和复杂的基质背景会影响分割性能。不同的癌变程度对应不同的治疗策略和患者指标，因此确定癌变程度十分关键。

肝癌的诊断方法有多种，如超声、核磁共振成像和病理活检，其中病理活检诊断最为精确。病理学家依据核大小、核质比、核不规则性、深染、核大小不一和核纹理等六个原则，将肝脏活检中的癌变分为五个等级（0 到 4 级）。但这种方法是非定量和主观的，病理学家对罕见病例的解读往往存在差异，所以需要一个自动化分级系统作为病理医生的诊断指南。细胞核分割是自动分级方法中最关键的部分，其分割结果会影响自动分级系统的准确性。

近年来，基于深度学习的计算机视觉算法在计算机辅助诊断（CAD）中得到广泛应用。深度学习在病理图像分析中能提高癌症检测的有效性和精度。病理学家在癌症检测和进展预后（如预测生存和根据病理对肿瘤进行分类）中主要以细胞核为依据。准确的细胞核分类和分割能提高组织分割的质量，细胞核分割是后续分析中提取形态特征的首要和关键步骤。但细胞核的结构多样性给研究带来了困难，其核形态多变，许多疾病会导致不同大小的染色质异常。

2. 相关工作

过去有许多研究关注细胞片段图像或患病图像的分析。不同学者提出了多种方法：
- 有学者提出基于三角帽形态学顶帽重建的自动核分割方法用于神经母细胞瘤分类。
- Sun 等人提