数字病理全切片图像检索与癌症辅助诊方法研究

In recent years, histopathological whole slide imaging has been rapidly developed and generalized in the clinical application of diagnostic pathology. With the emergence of novel artificial intelligence and deep learning techniques, the methods for WSI analysis has been developed and has become popular in the domain of computer assisted diagnosis. Histopathological image classification and segmentation are popular methods for cancer aided diagnosis. However, this type of methods simulates pathologists to make decisions but cannot provide specific diagnosis basis to pathologists. The present performance of aided diagnosis cannot meet the requirement of pathologists. This research aims to develop new methods for computer aided diagnosis for digital pathology platforms based on histopathological WSI retrieval method using advanced deep learning techniques. The purpose of this research is to solve the present problems emerged in content-based histopathological image retrieval from WSI-database. The specific research includes the top-down retrieval model for WSI-database, the encoding of tissue-structural information in WSIs, and the method for multi-information retrieval diagnostically relevant case recommendation. Overall, this research is an interdisciplinary and challenging aspect of image processing, pattern recognition and medical image analysis, and is significant for the promotion of pathologists and quality control of cancer diagnosis.

组织病理全切片成像技术在医学病理领域得到快速发展，基于人工智能、深度学习的数字病理图像分析和辅助诊断方法已成为该领域研究的热点、难点问题。目前的癌症辅助诊断方法通常对感兴趣区域进行检测识别，精度难以满足诊断要求，同时缺少医生所需要的诊断参考信息，与实际应用仍存在较大差距。为研究拓展病理图像分析新方法，探索辅助诊断新模式，本课题研究基于内容的病理全切片图像检索及其癌症辅助诊断方法，通过在病理数字切片库中检索返回相似切片的方式，为医生提供更全面的辅助诊断信息。重点研究自上而下的病理全切片图像检索，病理全切片图像组织结构量化编码与检索，多源信息检索与相似病例推荐方法。解决大尺寸病理图像组织结构特征提取与量化、多源数据融合与相似性关系建模等关键问题，建立一套基于全切片病理图像检索的癌症辅助诊断新方法。研究成果将对病理医生癌症诊断水平的提高，乃至我国医学病理诊断质量的提升有重要的理论意义和实用价值。

组织病理全切片成像技术快速普及，已在医学病理科学研究和临床诊断领域发挥重要作用。伴随图像处理、深度学习方法的发展，数字病理全切片图像分析技术快速进步，现今仍是为计算机辅助诊断领域的热点和难点问题。病理图像分类、分割是该领域常见的癌症辅助诊断方式，能模拟医生对病例做出定性或定量的诊断，但存在输出结果形式单一、可解释性差等缺陷，难以为医生提供更具参考价值的辅助诊断信息，与医生实际诊断需要存在较大差距。针对这一问题，本课题研究了基于内容的病理全切片图像检索方法及其癌症辅助诊断新模式，通过在大规模数字病理库中检索、返回相似病例的方式，为医生诊断提供更丰富的辅助信息。具体针对病理全切片图像数据库检索中存在的多项关键问题，提出了基于动态路由的病理图像颜色归一化方法，基于自上而下的病理全切片图像检索模型，病理全切片图像组织结构量化编码与检索方法，面向数字病理平台的多源信息检索与相似病例推荐方法，以及基于双分支注意力机制的病理全切片跨模态检索框架等。部分研究成果已实现转化，应用于胃活检病理筛查辅助诊断，经卫生部数字病理远程诊断与质控平台测试表明，目前该软件对胃部活检病例的筛查敏感性可达95.5%，特异性达84.6%，与基层病理医生诊断精度相当。更进一步，基层病理医生与辅助诊断软件协同工作时，可降低13.27%的误诊风险与17.41%的漏诊风险，同时提高远程诊断平台28.7%~46.9%的诊断效率。研究成果对提高医生癌症诊断效率与诊断水平，提升我国医学病理诊断质量有重要的理论意义和实际应用价值。