25、基于深度学习的肝癌组织病理图像细胞核分割与分类方法

基于深度学习的肝癌组织病理图像细胞核分割与分类方法

1. 引言

肝癌是全球范围内最严重的健康问题之一。对于肝癌的治疗和预后，活检图像中疾病的分级诊断至关重要。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，但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等，其中病理活检诊断最为精确。病理学家根据核大小、核质比、核不规则性、核深染、核大小不一和核纹理等六项原则，将肝癌活检中的癌变程度分为五级（0 - 4级），但这种方法非定量且主观，不同病理学家对罕见病例的解读可能不同，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，在病理图像分析中，深度学习能提高癌症检测的有效性和准确性。病理学家在癌症检测和进展的预后中，如预测生存和根据病理对肿瘤进行分类，主要以细胞核为依据。准确的细胞核分类和分割可以提高组织分割的质量，细胞核分割也是后续分析中提取形态特征的首要和重要步骤。然而，细胞核的结构多样性使得相关研究困难重重，其核形态各异，许多疾病还会导致不同大小的染色质异常。

2. 相关工作

过去有许多研究致力于细胞段图像或患病图像的分析。例如，有学者提出基于三帽形态学顶帽重建方法的自动核分割方法用于神经母细胞瘤的分类；Sun等人提出根据细胞可见性正确区分细胞核和细胞质的方法；还有基于