检索结果-内蒙古大学图书馆

西部医学 2025年第3期37卷 366-371页

作者：肖立李小静张美花杨菊熊海云张晓军刘秀萍复旦大学附属华东医院病理科上海200040 复旦大学附属上海市第五人民医院病理科上海200240 上海兰卫医学检验所股份有限公司病理科上海200335 长沙市朗珈软件有限公司研发部湖南长沙410600 北京透彻未来科技有限公司透彻实验室北京100036

目的构建基于病理数字切片的肿瘤人工智能(AI)诊断模型,并验证其诊断效能。方法选取2022年1月—2024年1月复旦大学附属华东医院和复旦大学附属上海市第五人民医院肿瘤(肺癌、胃癌、肝癌、大肠癌、乳腺癌、前列腺癌)患者100例,收集其病... 详细信息

目的构建基于病理数字切片的肿瘤人工智能(AI)诊断模型,并验证其诊断效能。方法选取2022年1月—2024年1月复旦大学附属华东医院和复旦大学附属上海市第五人民医院肿瘤(肺癌、胃癌、肝癌、大肠癌、乳腺癌、前列腺癌)患者100例,收集其病理组织切片共4000张,按8∶2的比例将患者分为训练组80例和验证组20例。数据集图像输入DeepLabV3+语义分割模型中,提取出数字图像的病理特征后输入ResNet50分类模型中训练,训练组分别输入两种数据集以构建肿瘤AI诊断模型,模型1输入仅标注病理组织(阳性标注)的数据集,模型2输入标注病理组织和正常组织(阳性及阴性标注)的数据集;验证组用于验证上述两种模型的诊断效能。对比两种模型诊断肿瘤的HE染色、ROC曲线分析、诊断效能分析结果。结果HE染色显示,相比模型1,模型2能更清晰地显示肿瘤的病理组织范围与边界,更好地区分病理组织与正常组织;ROC曲线结果表明,模型1、模型2均可有效诊断肿瘤(P<0.05),且模型2诊断肿瘤的AUC、约登指数比模型1大,差异明显(P<0.05);模型2诊断肿瘤的敏感性、特异度、准确值及阳、阴性预测值比模型1大,差异明显(P<0.05)。结论基于病理数字切片构建的肿瘤AI诊断模型对肿瘤的诊断效果优良,其中阳性及阴性标注模型对肿瘤有着更高的诊断效能,值得临床尝试实践。

关键词：病理数字切片肿瘤 AI 诊断模型诊断效能

来源：评论

学校读者我要写书评

暂无评论

面向病理数字切片的区域检测算法的研究

面向病理数字切片的区域检测算法的研究

引用

作者：周靖凡武汉理工大学

学位级别：硕士

癌症已经成为威胁人类健康安全的重大问题,对抗癌症最有效的方法就是进行早期诊断。苏木精-伊红(Hematoxylin-Eosin,HE)染色切片对于医生判断患者的癌症情况起着至关重要的作用,人工对HE染色切片进行检测费时费力,且易受诊断者的主观因... 详细信息

癌症已经成为威胁人类健康安全的重大问题,对抗癌症最有效的方法就是进行早期诊断。苏木精-伊红(Hematoxylin-Eosin,HE)染色切片对于医生判断患者的癌症情况起着至关重要的作用,人工对HE染色切片进行检测费时费力,且易受诊断者的主观因素的影响。因此搭建计算机辅助诊断系统帮助医生进行快速准确的诊断具有十分重大的现实意义,其中癌变区域的检测是计算机辅助诊断中的重要任务之一。本文主要是针对基于HE染色病理图像癌变区域的检测算法进行研究,主要采取了两种方式对癌变区域进行检测:基于超像素分割的癌变区域检测和基于目标识别的癌变区域检测,并且我们对两种检测算法的实验结果进行融合,取得了更好的效果。本文的主要研究工作如下:(1)研究数字化HE染色病理切片的特点,使用最大类间方差方法从病理切片提取感兴趣区域,在此基础上制备实验数据集,并按照病理学家划分的癌变区域对提取到的图块进行标注。(2)训练神经网络分类模型并对病理图像进行分类。其一,使用Dense Net和Res Net网络结构直接训练分类模型;其二,使用Dense Net和Res Net作为特征提取模块,再在其后面添加条件随机场(Conditional Random Fields,CRF)模块,使得神经网络可以对病理切片中相邻小图块的空间相关性进行建模,并以此重新推理小图块的癌变概率值,评估各分类模型的性能,选择表现最好的模型用于之后的癌变区域检测。实验证明添加CRF模块后使得原有的分类模型性能提高2-3个百分点。(3)研究并实现基于超像素分割的癌变区域检测算法,选取卷积自编码器(Convolution Autoencoders,CAE),深度嵌入聚类(Deep Embedded Clustering,DEC)网络,深度卷积嵌入聚类(Deep Convolutional Embedded Clustering,DCEC)网络,带初始块的深度卷积嵌入聚类(Deep Convolutional Embedded Clustering with Inception block,DCECI)网络共四种自编码器网络对标准数据集进行聚类,选择聚类性能最好的自编码器提取高维特征,使用扩展的简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)进行超像素分割,从每个超像素块中进行抽样并预测其癌变概率值,将得到的癌变概率图进行阈值分割获得癌变区域,与病理学家的标注信息进行比较,分析评估实验结果。(4)研究并实现基于目标识别的癌变区域检测算法,学习并研究Mask RCNN网络及其改进模型,改进的Mask RCNN在原有的基础上添加一条新的分支用于预测受检的病理图像中是否存在癌变区域。使用改进的Mask RCNN检测病理图像的癌变区域,并对其检测结果进行拼接,使用CRF对拼接后的癌变区域图像进行后处理。将两种检测方法生成的癌变区域结果进行融合,并参照病理学家的标注对检测结果进行评价,实验证明融合后的癌变区域的各个评价指标提高2-3个百分点。

关键词： HE染色病理数字切片卷积神经网络自编码器超像素目标识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：