基于深度卷积网络和结合策略的乳腺组织病理图像细胞核异型性自动.PDFVIP

３６ 卷 ３ 期 中　 国　 生　 物　 医　 学　 工　 程　 学　 报 Ｖｏｌ． ３６　 Ｎｏ． ３ ２０１７年６月 Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｊｕｎｅ　 ２０１７ 基于深度卷积网络和结合策略的乳腺组织 病理图像细胞核异型性自动评分 １ １∗ ２ 周　 超 　 徐　 军 　 罗　 波 １（南京信息工程大学江苏省大数据分析技术重点实验室，南京　 ２１００４４） ２ （华中科技大学附属武汉市中心医院病理科，武汉　 ４３００１４） 摘　 要：细胞核异型性是评估乳腺癌恶性程度的一个重要指标，主要体现在细胞核的形状、大小变化、纹理和质密 度不均化。 提出基于深度学习和结合策略模型的乳腺组织细胞核异型性自动评分模型。 该模型使用３个卷积神 经网络，分别处理每个病例的３种不同分辨率下的组织病理图像，每个网络结合滑动窗口和绝对多数投票法，评估 每个病例同一种分辨率下的图像的分值，得到３种分辨率下的评分结果。 使用相对多数投票法，综合评估每个病 例的最终细胞核异型性评分结果。 为评估模型对细胞核异型性评分的有效性，利用训练好的模型对 １２４个病例的 测试图像进行自动评分，并把其评分结果与病理医生的评分结果作比较，进行性能评估。 该模型的评分正确率得 分为６７分，其结果在现有的细胞核异型性评分模型中准确率排名第二。 此外，该模型的计算效率也很高，平均在 每张×１０、×２０、×４０分辨率下图像的计算时间分别约为１２、５５、３０ ｓ。 研究表明，该细胞核异型性评分模型不仅 具有较高的准确性，而且计算效率高，因此具备潜在的临床应用能力。 关键词：细胞核异型性；深度卷积网络；绝对多数投票法；相对多数投票法 中图分类号：Ｒ３１８　 　 文献标志码：Ａ　 　 文章编号：０２５８⁃８０２１（２０１７）０３⁃０２７６⁃０８ Ａ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｃｏｍｂｉｎａｔｉｏｎ Ｓｔｒａｔｅｇｙ ｆｏｒ Ａｕｔｏｍａｔｅｄ Ｎｕｃｌｅａｒ Ａｔｙｐｉａ Ｇｒａｄｉｎｇ ｏｎ Ｂｒｅａｓｔ Ｈｉｓｔｏｐａｔｈｏｌｏｇｙ １ １∗ ２ Ｚｈｏｕ Ｃｈａｏ 　 Ｘｕ Ｊｕｎ 　 Ｌｕｏ Ｂｏ １ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１００４４，Ｃｈｉｎａ） ２ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｈｉｓｔｏｐａｔｈｏｌｏｇｙ，Ｔｈｅ Ｃｅｎｔｒａｌ Ｈｏｓｐｉｔａｌ ｏｆ Ｗｕｈａｎ，Ａｆｆｉｌｉａｔｅｄ Ｈｏｓｐｉｔａｌ ｏｆ ＴｏｎｇＪｉＭｅｄｉｃａｌ Ｃｏｌｌｅｇｅ Ｈｕａｚｈｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００１４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｎｕｃｌｅａｒ ａｔｙｐｉａ ｉｓ ｏｎｅ ｏｆ ｉｍｐｏｒｔａｎｔ ｆａｃｔｏｒｓ ｉｎ Ｎｏｔｔｉｎｇｈａｍ Ｇｒａｄｉｎｇ Ｓｙｓｔｅｍ （ＮＧＳ） ｆｏｒ ｅｖａｌｕａｔｉｎｇ ｔｈｅ ａｇｇｒｅｓｓｉｖｅｎｅｓｓ ｏｆ ｂｒｅａｓｔ ｃａｎｃｅｒ． Ｔｈｅ ｎｕｃｌｅａｒ ａｔｙｐｉａ ｉｓ ｍａｉｎｌｙ