蔡亚洁 李畅 杜悦 黄道斌

摘要：腺体病变引起的疾病如结肠腺癌、乳腺癌等的发病率逐年增高，病理检查是临床诊断的“金标准”，从病理图像中准确分割病灶范围对疾病的诊疗至关重要，然而这是一项费时费力的工作，同时与病理医生的水平与经验有关。近年来，计算机辅助诊断系统和深度学习（Deep learning）在医学图像处理领域快速发展并得到广泛应用，为进一步减轻医生的工作负担，采用经典神经网络对腺体病理图像进行区域分割，并使其能够适用于更加广泛的腺体分割，在腺体病理图像中取得较好的分割效果，为辅助早期诊断及减小误诊概率提供可能。

关键词：腺体;病理图像;计算机辅助诊断;深度学习;卷积神经网络

中图分类号：TP183      文献标识码：A

文章编号：1009-3044（2021）23-0089-03

Abstract：The incidence of diseases caused by glandular lesions such as colon adenocarcinoma and breast cancer is increasing year by year. Pathological examination is the ' gold standard ' for clinical diagnosis. Accurate segmentation of lesion range from pathological images is essential for the diagnosis and treatment of diseases. However， this is a time-consuming and laborious work， which is related to the level and experience of pathologists. In recent years， computer aided diagnosis system and deep learning （Deep learning） has been developed rapidly and widely used in the field of medical image processing. In order to further reduce the heavy work of doctors， the classical neural network is used to segment the gland pathological images， and it can be applied to more extensive gland segmentation. Effective segmentation results are achieved in the gland pathological images， which provide the possibility for early diagnosis and reducing the probability of misdiagnosis.

Key words：glands ; pathological images ; computer aided diagnosis ; deep learning ; convolutional neural network

1引言

腺体包含管腔、细胞质和上皮层，是病理图像中的关键组织结构，H&E染色的病理切片中，部分呈椭圆形，由黑色细胞核环绕腺体基质以及透明空腔构成。传统上，病理学家常采用手动分割腺体，然而这种方法主要通过人眼观察显微镜系统下的组织进行判识，其处理质量与可靠程度可能会受到不同医生的影响，不僅效率较低，主观因素引起的误差大[1]。在恶性情况下，腺体的结构被破坏，尽管良性病例通常具有圆形结构，但恶性腺却显示出不规则的形状，因此，与良性结构相比，恶性病例的自动分割具有挑战性。

乳腺癌是来自乳腺终末导管小叶单位的上皮性恶性肿瘤，自从20世纪70年代末，乳腺癌的发病率缓慢上升，并且有年轻化的趋势，我国每年女性乳腺癌发病人数达16.9万，占全球总发病数的12.25%，仅次于美国。由中国肿瘤登记中心统计，乳腺癌是城市女性最常见的癌症，是农村女性第四大常见癌症[2-3]。胃癌在我国各种恶性肿瘤中发病率第一[4]，胃腺癌的发生率占胃恶性肿瘤的95%。前列腺癌在男性常见的恶性肿瘤中排名第二，仅次于肺癌[5]，我国前列腺癌呈明显高发趋势。

现在对腺体病变的诊断主要依赖病理、超声、钼靶、核磁共振等，通常先使用钼靶进行筛查，若无法定性，则进行超声和核磁共振检查，出现疑似情况，将进行病理穿刺检查，并对是否癌变，恶性程度以及分子分型做出判断[6]。组织病理学检查作为腺体病变诊断的“金标准”，对于早期诊断至关重要。然而这项工作并不是十分容易，必须面对腺体在形状、大小、位置、纹理等方面的多变性带来的影响，因此，探寻合适的腺体病理图像处理方法，对于降低死亡率、减轻医生负担以及提高患者生活质量等方面具有重要意义。

近些年随着技术的进步，数字化病理系统的出现使得病理资源数字化，网络化。医生可以通过电脑完成阅片工作，同时便于更好地分析与交流，打破时间和空间的限制，数字化病理为疾病的精准医疗以及计算机辅助诊断提供了良好的基础。

2方法

2.1深度学习与卷积神经网络

深度学习的概念由 Hinton 等人于2006年首次提出[7]，是机器学习算法中的一项新兴技术，通过构建多层网络，以及高层次特征表示数据的抽象语义信息，获得良好的特征鲁棒性。传统的医学图像分割算法包含区域的分割方法、边缘的分割方法、图论的分割方法和泛函的图像分割方法等[8]。由于计算机视觉相关领域发展迅速，医学图像分割与深度学习的结合性研究取得显著的成果[9]，深度学习正在成为通用成像和计算机视觉领域的领先机器学习工具[10]。然而，多层感知器引入了更大的参数量，导致神经网络难以正常完成训练，为解决此问题，Krizhevsky等人[11]提出了卷积神经网络（Convolutional Neural Networks，CNN），采用局部连接和权值共享的方式进行网络输入，避免传统算法中繁琐的特征提取和数据重建过程[12-13]，减少了权值的数量使得网络易于优化、模型更加简便，同时也减少了过拟合发生的几率，使其在医学图像处理过程中有很大的优势[14]。