论文部分内容阅读
恶性肿瘤细胞发生转移是癌症患者死亡率高的主要原因,而淋巴道转移是恶性肿瘤细胞转移的主要途径。淋巴管癌栓则又是淋巴道转移的主要表现形式之一,也是大多数恶性肿瘤的重要预后指标。淋巴管癌栓的传统诊断方法是病理医师在显微镜下观察苏木素—伊红(Hematoxylin-Eosin,HE)染色病理切片,根据淋巴管癌栓在显微镜下的形态学特点来诊断淋巴管癌栓。由于淋巴管癌栓的传统诊断方法比较耗时且诊断结果可重复性差,因此病理医师需要做D2-40免疫组织化学染色进行淋巴管癌栓的辅助诊断。虽然用D2-40免疫组织化学染色诊断淋巴管癌栓的漏诊率较低,但是免疫组织化学染色的成本也较高。本研究拟利用人工智能深度学习Faster RCNN检测模型实现淋巴管癌栓的定量诊断;用深度学习Cycle GAN实现将HE染色淋巴管癌栓数字病理图像特征,映射为D2-40免疫组织化学染色淋巴管癌栓数字病理图像特征。最终实现HE染色淋巴管癌栓数字病理切片通过Cycle GAN,生成虚拟的“类D2-40免疫组织化学染色淋巴管癌栓”数字病理图像。探索在淋巴管癌栓病理诊断工作中只做HE染色,然后用D2-40免疫组织化学染色淋巴管癌栓深度学习Faster RCNN检测模型,检测出“类D2-40免疫组织化学染色淋巴管癌栓”数字病理图像中的淋巴管癌栓结构,从而帮助病理医师对淋巴管癌栓实现智能定量诊断。创新性的探索在淋巴管癌栓病理诊断工作中只需要做HE染色,就可以快速准确的完成淋巴管癌栓的定量诊断。该方法不仅能帮助病理医师高效精准的完成淋巴管癌栓的定量诊断,而且还可以帮助患者节省做免疫组织化学染色的医疗费用,从而节约社会医疗成本。本实验HE染色淋巴管癌栓Faster RCNN检测模型,用于检测HE染色淋巴管癌栓的Recall值为0.917,m AP值为0.791;D2-40免疫组织化学染色淋巴管癌栓Faster RCNN检测模型,用于检测D2-40免疫组织化学染色淋巴管癌栓的Recall值为0.968,m AP值为0.858;深度学习Cycle GAN模型,用于实现由HE染色淋巴管癌栓病理图像向D2-40免疫组织化学染色淋巴管癌栓病理图像互转,生成虚拟的“类D2-40免疫组织化学染色淋巴管癌栓”数字病理图像的SSIM值为0.0755,PSNR的值为12.167;D2-40免疫组织化学染色淋巴管癌栓Faster RCNN检测模型,检测“类D2-40免疫组织化学染色淋巴管癌栓”数字病理图像中的淋巴管癌栓的Recall值为0.929,m AP值为0.822。本论文主要探索利用深度学习系列技术帮助病理医师在病理诊断领域进行智能辅助诊断,实现用深度学习Faster RCNN检测模型辅助病理医师对D2-40免疫组织化学染色和HE染色淋巴管癌栓进行智能定量诊断;用深度学习Cycle GAN实现由HE染色淋巴管癌栓数字病理图像向D2-40免疫组织化学染色淋巴管癌栓数字病理图像互转,生成虚拟的“类D2-40免疫组织化学染色淋巴管癌栓”数字病理图像。本论文所研究的方法可以为病理医师提供一种全新的淋巴管癌栓智能诊断方法,改变病理医师诊断淋巴管癌栓的传统模式,同时可以为患者节省做免疫组织化学染色的医疗费用。最后,本论文中所涉及到的深度学习Faster RCNN检测模型和Cycle GAN模型的性能还可以继续优化迭代,有待以后继续研究提升算法性能,更好的应用于病理诊断领域,为病理医师提供更准确的智能病理诊断服务。