组织学病理图像在深度学习中染色处理的研究进展

组织学病理图像在深度学习中染色处理的研究进展

唐波,甘中华通讯作者

西南医科大学附属中医医院  四川泸州  646000

摘要：病理图像是临床上确诊的黄金指标，但临床医生通常仅凭临床经验做出一些简单的判断，从而导致误诊。常规的染色方法不仅效率低，可靠性差，而且容易受到人的主观因素的干扰。基于此，本文对组织学病理图像在深度学习中染色处理及具体实现方法进行了研究，以期对后续相关工作做出参考。

关键词：病理图像分析；病理图像；深度学习；分类；分割；检测

病理诊断是一种经过系统正规训练的医生，对病人的样本进行专业的分析，从而做出准确的诊断。病理学的正确与否直接影响着医师对患者的治疗是否有效和达到预期的疗效。然而，由于在临床上，获得的组织学样本通常都是由有丰富的医生或技术人员进行的。这不但会对医生做出准确的判断，而且还会对其在实际中的使用产生一定的负面作用。所以，如何改善组织样本的染色，是保证组织学检查正确与否的关键。近年来，在病理影像的处理中，采用了一种新的方法。

1.染色归一化

组织样本分析是目前临床上最常用的一种诊断手段。生物化学染色工艺（染色批次、染色量、时间、样本厚度和染色方式）都会引起物理色彩的变化，而且色彩的变化还会受到成像和数字参数的影响。其中的一个元素变动就会使色彩发生变化。通过对每个像素进行色彩校正，将原始图像的色彩分配归一化成最终的色彩分配，这种方法叫做“着色规格化”。宋国利等[1]利用组织图像的着色标准化技术，能够有效地解决染色的不均匀性及可视化的组织病理学样本。所谓“虚”，就是把没有标签的组织样本的影像转化成相当于同一样品的明场或荧光显微镜影像。该技术避免了传统的组织化学染色，在病理学和组织学研究中，可以节约大量的时间和费用。而在实际应用中，由于现有的标签资料数量较少，难以进行有效的组织学诊断，因此，在影像强化处理（如旋转、翻转、色彩混合等）中，并没有将非标签资料的特性纳入考量，且标签资料与非标签资料的差别也能为资料产生提供有益资讯，因此必须对未知或无标签资料进行强化处理。

2.组织学病理图像的问题和发展趋势

近年来，随着医学影像技术的不断发展，诸如深度神经网络等智能技术也得到了极大的发展，徐贵璇等[2]很多研究成果都已接近或超越了医学领域。但是，大多数的 CAD模式并没有在实际中得到实际的运用。但目前医学资料有限，且对其诊断精度、准确性和可信度都有一定的影响，因此，病理图像技术的发展还存在着诸多问题，这就要求 AI与病理学工作者共同努力。

2.1缺乏标记的资料

目前，在医学影像学中，缺乏与 ImageNet相似的资料，需要大量的人力资源来进行深度学习。有些工作在众包的基础上进行了广泛的影像标记，但是仍然需要由病理学家进行检查和校正，采用弱化有监督的方法可以减轻标记资料的依赖性。最近几年，在深度研究中，半监控和自我监控已经逐渐发展起来。半监控学习是一种将有监控和无监控的学习方式，它仅要求有标记的小样本和数量较多的非标记的小样本。自我监控的学习是不要求任何标记的。在病理学影像学中， CNN的半监控和自我监控的模式越来越受到重视。

另外，医学资料常常分布于各个机构，由于其敏感，难以公开分享。为了保障病人的隐私权和获取资料的许可，是医疗影像学必须遵循的先决条件。道德规范的需求将会制约智能计算的资料选取，因此必须兼顾资料的安全与模式的革新。当前，一种实现隐私的方法是分散式的，它利用分布在各个地方的数据中心，以保证在模型培训期间不会泄露，这样就可以把病人的资料保存在本地的组织或者个体手里，以防止把所有的资料都聚集起来。

2.2模式概括性

由于建模能力弱，使得深度学习技术无法在临床上得到广泛地使用。现有的病理学资料并不能反映实际应用中所涉及的资料。由于不同的医学场所和地域，不同的扫描和着色技术会导致病理学资料的差别。安卫超等[3]研究发现，如果训练资料无法覆盖大量的资料，则会造成深度学习的病理学分析模式不具有普遍性，也就是说，即使该模式在培训集合中取得良好的成绩，在其他资料来源上也会有很大的差异。

金旭等[4]利用移植学习，可以在大量、不同的资料集合中对模式进行培训或调整，从而降低模型的推广错误，从而改善其稳定性和推广能力。在病理学影像的处理中，为了解决一般性问题，经常采用资料强化、资料标准化等方法。资料强化是为了增加资料的多样化，例如使用色彩强化来模仿不同的实验室。而标准化技术就是把影像转换成一个统一的标准，并使其在模型中的作用最少。近年来，领域推广（DG）是目前比较流行的一个研究方向，其主要目的在于从多组分布各异的资料集合中，选择一种有很好的通用性的数学建模，从而获得更好的结果。

2.3模式说明

目前，陈佳梅等[5]普遍把深度学习作为一种“黑箱”模式，它的决策过程很难被人们所理解和解释。因此，其高的危险性成为妨碍了深度学习的应用和管理授权的一个重要问题。所以，在病理图像的辅助诊断中，更多地使用了深度学习技术来发现或者切割那些无需说明的处理。举例来说，美国 FDA首次通过了以 AI为基础的病理学支持的“PaigeProstate”，其目的是帮助诊断前列腺组织中可能存在的肿瘤。

当前，可理解病理图像已成为一个十分重要的研究课题，并已有张术昌等[6]对此进行了探讨。在此基础上，提出了一种基于算法的融合策略，首先采用了一种新的深度学习算法，然后通过人工的方式来实现神经网络的自动规划和预报，保证了其生物可解释性。另外一种典型的解释性方法是：使用注意机理或明显图，对影像中的鉴别区进行可视化，从而为病理学工作者提供可理解的基础。

3.总结与展望

随着医学影像技术的发展，病理图像技术的发展对临床诊断具有重要的作用，能够提高诊断的准确性和效率。当前的研究显示，在一些基本的工作中，深度学习技术能够达到人类专家的水平。首先，病理影像的分析与计算需要高的软硬件与模型，目前的仪器还难以处理大尺度的病理切片，且该方法具有重复性、泛化性、可解释性，能够为临床提供真实、可靠的诊断意见；其次，要解决从科研到临床的病理图像技术的管理和隐私权的问题，必须要解决这些问题。最后，在计算机病理学研究中，要想取得重大的突破，必须要与病理学家共同努力。

参考文献

[1]宋国利，陈杰.病理图像分析的深度学习方法研究综述[J].中国科学基金，2022,36(02):225-234.

[2]徐贵璇，王阳，张杨杨等.深度学习在肿瘤组织病理图像分析中的应用[J].临床与病理杂志，2021,41(06):1454-1462. 

[3]安卫超，阎婷，张楠等.病理图像纹理分析在胃癌MSI预测中的应用研究[J].计算机工程与应用，2021,57(24):205-211.

[4]金旭，文可，吕国锋等.深度学习在组织病理学中的应用综述[J].中国图像图形学报，2020,25(10):1982-1993.

[5]陈佳梅，屈爱平，王林伟等.计算机图像分析挖掘乳腺癌病理预后新指标[J].生物物理学报，2014,30(07):517-530+486.

[6]张术昌，袁梓洋，王红霞等.面向组织病理学图像的颜色迁移算法[J].计算机辅助设计与图形学学报，2020,32(12):1890-1897.