_基于深度卷积网络和结合策略的乳腺组织病理图像细胞核异型性自动评分1
需积分: 0 156 浏览量
2022-08-04
11:40:24
上传
评论
收藏 495KB PDF 举报
36
卷
3
期
2017
年
6
月
中 国 生 物 医 学 工 程 学 报
Chinese Journal of Biomedical Engineering
Vol． 36 No． 3
June 2017
doi： 10. 3969 /j．issn．0258
－
8021. 2017. 03. 003
收
稿日期
： 2016-05-06，
录用日期
： 2016-05-27
基金项目
：
国家自然 科 学 基 金
（ 61273259 ）
；
江
苏省
“
六大人才高峰
”
高层次人才项目
（ 2013
－
XXＲJ
－
019）
；
江苏省自然科
学基金
（ BK20141482）
*
通信作者
（ Corresponding author）
，E-mail： xujung@ gmail．com
基于深度卷积网络和结合策略的乳腺组织
病理图像细胞核异型性自动评分
周 超
1
徐 军
1*
罗 波
2
1
（
南京
信息工程大学江苏省大数据分析技术重点实验室
，
南京
210044）
2
（
华
中科技大学附属武汉市中心医院病理科
，
武汉
430014）
摘 要
：
细胞核异型性是评估乳腺癌恶性程度的一个重要指标
，
主要体现在细胞核的形状
、
大
小变化
、
纹理和质密
度不均化
。
提出基于深度学习和结合策略模型的乳腺组织细胞核异型性自动评分模型
。
该模型使用
3
个卷积神
经网络
，
分别处理每个病例的
3
种不同分辨率下的组织病理图像
，
每个网络结合滑动窗口和绝对多数投票法
，
评估
每个病例同一种分辨率下的图像的分值
，
得到
3
种分辨率下的评分结果
。
使用相对多数投票法
，
综合评估每个病
例的最终细胞核异型性评分结果
。
为评估模型对细胞核异型性评分的有效性
，
利用训练好的模型对
124
个病例的
测试图像进行自动评分
，
并把其评分结果与病理医生的评分结果作比较
，
进行性能评估
。
该模型的评分正确率得
分为
67
分
，
其结果在现有的细胞核异型性评分模型中准确率排名第二
。
此外
，
该模型的计算效率也很高
，
平均在
每张
×
10、
×
20、
×
40
分辨率下图像的计算时间分别约为
1. 2、5. 5、30 s。
研究表明
，
该细胞核异型性评分模型不仅具
有较高的准确性
，
而且计算效率高
，
因此具备潜在的临床应用能力
。
关键词
：
细胞核异型性
；
深度卷积网络
；
绝对多数投票法
；
相对多数投票法
中图分类号
： Ｒ318
文献标志码
： A
文章编号
： 0258-8021（ 2017） 03-0276-08
A Deep Convolutional Networks and Combination Strategy for
Automated Nuclear Atypia Grading on Breast Histopathology
Zhou Chao
1
Xu Jun
1*
Luo Bo
2
1
（ School of Information and Control，Nanjing University of Information and Technology，Nanjing 210044，China）
2
（ Department of Histopathology，The Central Hospital of Wuhan，Affiliated Hospital of TongJi Medical College
Huazhong University of Science and Technology，Wuhan 430014，China）
Abstract： Nuclear atypia is one of important factors in Nottingham Grading System （ NGS） for evaluating the
aggressiveness of breast cancer． The nuclear atypia is mainly manifested in change of the nuclear shape，size，
texture and uneven density． However，hi stologic image has complicated nature that makes the automated nuclei
atypia grading a pretty difficult task． In the paper we integrated deep convolutional neural networks and
combination strategy for automated nuclei atypia grading． Firstly，the histologic patches with three different
resolutions were cropped into same size for training three convolutional neural networks models，respectively．
During the testing，a sliding window technique was employed to choose image patches and feed to the trained
DCNN． Then the majority voting was used to evaluate the grade of the image under each resolution． Finally，
plurality voting was employed to evaluate the score based on three different resolutions． The proposed model got
67 points in the test set，ranking the 2nd comparing with all of current methods with good performance．
Moreover，the proposed approach was computationally efficient． The average computational time on each images
with the resolution of
×
10，
×
20，
×
40 were 1. 2，5. 5，and 30 seconds，respectively，indicating that the
评论0