基于深度学习的乳腺病理图像多尺度分析与精准诊断方法研究

Breast cancer has a higher incidence in women, and pathological analysis of breast cancer is an effective means of final diagnosis. Accurate digital histopathological analysis can combine a variety of "-omics" data and medical image data, and this is an effective way to establish accurate assessment and prediction of breast cancer from the micro to macroscopic. The current digital pathology analysis methods are mostly based on traditional image processing methods with single scale, poor scalability and lack of multi-level, multi-scale comprehensive evaluation. In order to explore the potential information and quantify disease status with more accurate in the pathological sections, this subject aims to develop the multi-scale and multi-level pathology analysis method for breast cancer based on deep learning. At the same time, we also establish the dataset for algorithm developing based on the artificial synthesis of breast cancer lesions, and provide the data support for models and algorithms development. This study provides a more effective research method for accurate medical care of the disease.

乳腺癌在女性群体中发病率较高，组织病理分析是其最终确诊的有效手段。精准的数字组织病理切片分析可以将各类“组学”数据和医学影像数据结合起来，是建立从微观到宏观对乳腺癌进行精准评估与预测的一个有效通道。当前的数字病理切片分析方法视野、尺度单一，并且大多基于传统图像处理方法，拓展性差，缺少多水平、多尺度的综合评价。为了更深入的挖掘病理切片中潜在的信息和更精准的量化疾病状况与预后，本课题创新性地拟展开基于深度学习的多尺度、多水平的乳腺癌病理图像分析方法研究，实现从组织到细胞的多尺度、多水平分析，同时，针对数据样本不足、标定结果误差以及伦理方面的问题，创新性地拟展开人工合成乳腺癌病变特征区域并建立相关数据集，可为模型与算法的开发提供数据方面的支持。本研究为深入挖掘病理切片中潜在的信息、精准定位疾病状况等精准医疗诊断提供了一个更为有效的研究手段和依据。

乳腺癌在女性群体中发病率较高，组织病理分析是其最终确诊的有效手段。精准的数字组织病理切片分析可以将各类“组学”数据和医学影像数据结合起来，是建立从微观到宏观对乳腺癌进行精准评估与预测的一个有效通道。当前的数字病理切片分析方法视野、尺度单一，并且大多基于传统图像处理方法，拓展性差，缺少多水平、多尺度的综合评价。为了更深入的挖掘病理切片中潜在的信息和更精准的量化疾病状况与预后，本课题展开了如下方面的研究：（1）基于深度学习的多尺度、多水平的乳腺癌病理图像分析方法研究，实现从组织到细胞的多尺度、多水平分析；（2）提出新的基于弱监督学习的多任务细胞检测、分割框架，实现了跨模态细胞检测与分割；（3）针对数据样本不足、标定结果误差以及伦理方面的问题，进行人工合成乳腺癌病变特征区域的研究，可为模型与算法的开发提供数据方面的支持。本研究为深入挖掘病理切片中潜在的信息、精准定位疾病状况等精准医疗诊断提供了一个更为有效的研究手段和依据。同时，在上述研究基础之上，还开展了基于多模态临床数据的综合诊断方法研究，为今后开展多模态方面的研究奠定基础。项目实施期间，共发表论文11篇（其中SCI/EI检索论文共8篇），授权实用新型专利1项，出版学术专著1部。