基于卷積神經網絡的膽管癌顯微高光譜圖像識別方法研究

【摘要】：膽管癌是一種膽管上皮惡性腫瘤,為世界第二大肝膽胰腫瘤。膽管癌起病癥狀隱匿,往往被診斷時已發展到了晚期,因此早期診斷十分重要。臨床上需要進行組織病理診斷才能具體判斷腫瘤的實際浸潤程度,然而組織病理圖像的形態變化多樣等特點給專家診斷帶來了挑戰,人工診斷過程繁瑣費時,容易產生誤診和漏診,而深度學習技術的發展為顯微病理圖像的識別研究提供了新方法。此外,對比彩色圖像,高光譜圖像同時提供了豐富的空間信息和反映病理切片中化學組成成分的光譜信息。因此,本文為膽管癌病理組織建立了帶標注的高光譜圖像數據集,并用深度學習技術對膽管癌的區域識別方法進行了研究。本文建立了含有癌變區域標注信息的膽管癌顯微高光譜數據集,并利用該數據集對膽管癌的區域識別方法進行了研究。本文建立了3D-Dilated-U-Net模型對膽管癌高光譜圖像中的癌變區域和正常組織區域進行識別,將空洞卷積從空間維度擴展到空間-光譜維度,并且對采用不同空洞系數的3D空洞卷積的識別結果做了定量化分析。為了更好的識別膽管癌病理圖像中存在的大面積癌變區域情況,本文結合Non-local模塊與3D-Dilated-U-Net建立了3DD-NL-U-Net模型,并對這兩種模型的識別性能做了對比分析。此外,為了驗證病理組織的光譜信息對模型識別的作用,本文使用了2D卷積神經網絡分別對單波段的膽管癌圖像和高光譜膽管癌圖像進行了識別研究。實驗結果表明,本文建立的膽管癌顯微高光譜數據集可以為膽管癌病理區域的識別方法研究提供有效的數據基礎。此外,在本文的識別方法研究中,對比普通3D卷積和只在二維圖像上做空洞卷積的3D卷積神經網絡,采用3DDilated-U-Net模型對膽管癌高光譜圖像的識別表現更好;而采用3DD-NL-U-Net模型在所有模型中表現最好,其對膽管癌圖像的區域識別準確率、精確率、召回率、Io U和F1值分別為0.8723、0.8375、0.7651、0.6609和0.788。以上結果表明了3D空洞卷積和Non-local模塊有助于提升模型對膽管癌高光譜圖像的區域識別能力。最后,依據模型分割結果中癌變區域的面積占比,可為膽管癌病理切片中癌細胞浸潤程度的診斷分析提供一定的參考作用。