基于WSI的病理图像辅助诊断技术研究

Owing to the development of digital pathology and machine learning, computer-aid-diagnosis (CAD) methods for cancer via whole-slide-image (WSI) has become a research focus. In this project, CAD approach for breast, digestive and gynecological cancer will be developed based on digital cases and WSIs, which are supplied by the Quality Control Platform of National Health and Family Planning Commission of PRC. Specifically, the approaches of WSI normalization, diagnostically relevant region segmentation and pathobiology-knowledge-guided feature learning are first researched. Then, CAD methods based on diagnostically relevant region retrieval and weakly supervised learning will be developed. The aim of these CAD methods is to provide the location of lesion region, the prediction of cancer categories and relevant cases diagnosed by pathologists, reaching an accuracy of 95% in diagnosis of breast, digestive and gynecological cancer. In summary, this research is an interdisciplinary and challenging aspect of image processing, pattern recognition and medical image analysis, and is theoretically and practically significant for the improvement of diagnostic level and quality control in cancer diagnosis.

随着数字病理和机器学习技术的深入发展，基于数字全切片图像（WSI）的癌症辅助诊断方法成为计算机辅助诊断领域的研究热点。本课题从医学临床诊断实际需求出发，以国家卫生计生委癌症诊断质量控制平台的病理全切片图像病例为数据基础，重点开展乳腺、消化系统、妇产科等癌症的计算机辅助诊断方法研究。在研究解决数字病理全切片图像归一化、诊断相关区域检测与分割、病理学知识与深度学习相结合的病理特征提取相关问题基础上，研发出基于诊断相关区域检索的辅助诊断方法和基于弱监督学习的病理全切片辅助诊断方法。为诊断提供病变关键区域定位、相关典型历史病例等辅助信息，并进行癌变类型识别，在乳腺、消化道、妇产科数据集上肿瘤良恶性的分类精度达到95%以上。该研究是图像处理、模式识别、医学图像分析领域的交叉与难点问题，研究成果将对提高我国医学病理整体诊断水平、加强病理诊断质量控制有重要的理论意义和实际应用价值。

本项目研究将病理学诊断规则与深度学习方法结合，探索研究数字病理全切片图像分析与癌症辅助诊断方法，突破了病理图像颜色归一化、病理图像底层特征学习、多倍率信息融合、全切片图像弱监督学习方面的多个关键技术，形成了适用于临床使用的数字病理切片分析方法体系，其中部分研究成果已实现转化，总体完成了预期目标，所取得的研究成果对该领域的发展具有积极的推动作用。主要研究成果包括：.针对病理图像数据的切片特异性造成的辅助诊断模型泛化能力差的问题，先后提出了基于自适应颜色反卷积和，和基于动态路由机制的病理图像标准化模块，对全国上百个中心采集的数字病理图像有稳定的归一化效果，能提升他下游病理图像分析算法精度3.6%~6.7%。.针对数字病理全切片图像的分辨率高、尺寸大的特点，研究了病理图像多尺度诊断相关区域提取与病变区域分割方法，先后提出了基于选择性搜索的病理图像感兴趣区域提取方法，基于级联U-Net的全切片分割方法，形成了综合考虑精度与效率的在病理全切片图像分析框架。.针对基于图像分类、分割辅助诊断多模式为医生诊断提供信息量单一这一问题，提出了融合多尺度信息的病理全切片图像检索与辅助诊断模型，不仅能够准确地为医生诊断提供疑似病变区域提示，同时能够在数据库中检索历史相似病例，为医生诊断提供更丰富的辅助信息。.针对数字病理远程诊断应用情景，提出了一种基于专家切片浏览路径记录学习的诊断相关病例推荐方法和辅助诊断新模式，充分利用病理专家在诊断过程中的切片浏览路径，配合切片诊断结论作为监督信息实现了病理全切片图像的特征提取与编码，进一步提升了辅助诊断应用的信息量和适用性。.针对病理图像数据信息量高，大规模专家标注数据难以获得的问题，提出了一种基于对比学习与动态聚类的弱监督病理全切片图像分析方法，在仅利用切片级标注作为弱监督信息的情况下，实现了病理图像底层特征的学习，所取得的全切片图像分析与辅助诊断精度与监督学习相当。