全卷積神經網絡用于識別病理圖片中的細胞核

張緒森，潘 君，孔 非

（重慶大學生物工程學院，重慶 400044）

病理診斷是各種診斷方法中最可靠的診斷方式[1]。其主要依靠顯微鏡觀察病理切片中病理組織的細胞結構做出判斷，因此相比于臨床常用的各種診斷手段例如：CT、超聲及核磁共振更加客觀。依靠細胞結構的病理診斷的主要依據是細胞中遺傳物質的改變，導致了正常細胞和癌變后細胞的形態不同，所以在病理學診斷中細胞核準確分割非常重要[1]。在日常監測中常使用HE染色的方法使細胞核的形態暴露出來，然后由醫生根據經驗對細胞核的形態進行判斷，進而診斷出患者疾病情況[2]。但是醫生通過經驗判斷細胞核的形態具有效率低下[3]且誤差高的缺點[4]，神經網絡的優點是學習人類的經驗，并將學到的特征用于代替人類工作，深度學習采用深度神經網絡能夠更深入地學習人類的工作經驗，并且long等人提出的FCN算法被廣泛運用于圖片分割問題[5]，因此本文采用FCN分割小鼠腫瘤切片病理圖片中的細胞核，并從分割效果及效率的角度討論了FCN算法用于分割病理圖片的實際效果。

1 資料與方法

1.1 一般資料

選取癌細胞，采取皮下注射的方式將癌細胞注入健康小鼠體內，待腫瘤組織在小鼠體內長成后，將腫瘤組織取出制作病理切片，并將病理切片使用蘇木精-伊紅染色法染色，進而得到106張小鼠腫瘤組織病理切片的HE染色圖片。使用軟件對106張HE染色圖片中的細胞核進行標注，并得到對應標簽。

1.2 方法

采用long等人研發的FCN算法，將106張HE染色圖片及其對應標簽按照1：6的比例分為測試集與訓練集，訓練神經網絡模型并使用VGG16模型進行微調，得到FCN模型。

1.3 評價指標

long等人在研發FCN算法時，曾經使用pixel accuracy，mean accuracy，mean IU，frequency weighted IU四個指標衡量他們訓練出的FCN模型的分割效果[5]。本文亦使用上述四個指標衡量訓練出的FCN模型的分割效果，并與long等人的指標進行對比。

2 結果

2.1 FCN訓練出的模型對小鼠腫瘤切片中癌細胞細胞核分割效果

表1

從表1可知，與FCN研發團隊訓練出的神經網絡模型相比，本文訓練出來的神經網絡模型在pixel accuracy上要高7.5%，在mean accuracy上要高12.5%，在mean IU上要高17%，在frequency weighted IU上要高13.2%。

2.2 醫生識別小鼠腫瘤切片中癌細胞的細胞核與人識別的識別效率對比

表2

從表2我們可以看出，與人類識別一張病理圖片中細胞核的時間相比，本文訓練出的神經網絡模型要節約960s。

3 分析

通過表1的結果可知，FCN算法訓練出來的深度學習模型可以對病理圖片中的細胞核進行識別，并得到較為準確的識別結果。通過表2的結果可知，與人工識別細胞核的方法相比深度學習模型顯著提高了識別效率。因此通過本次研究可知，深度學習模型可以使病理圖片中細胞核識別的過程更為準確、迅速而且還可以為醫生判斷提供參考依據，使得診斷更為便捷。