数字病理学图像细胞核检测、分割及分类问题的关键技术研究

Pathological analysis remains the golden standard of tumor diagnosis and staging. Recently conventional microscopy based pathology has been gradually developed to digital pathological, which is based on digital imaging and image analysis techniques. Digital pathology can support quantitative analysis, for which the key technique is the detection, segmentation and recognition of nucleus. In the past decade, lots of algorithms have been proposed, but we still can hardly find their applications in clinical practice. This is caused by three reasons: 1) it is lacking of a benchmark tool or framework to assert the performance of different algorithms; 2) these algorithms are lacking of interactive design to improve their stability and accuracy; 3) these algorithms are too slow for real use. We plan to address these three problems by conducting this research. First we will design a comprehensive benchmark framework and software to score different algorithms in different cases; second we will design an efficient interactive solution to support pre and post processing of different algorithm phases; finally we will design a GPU computing framework to help the algorithm developers to easily immigrant their algorithms from CPU to GPU, and then obtain performance improvement. The output of this research project will drive objective assessment of the algorithms and solutions in this domain, and help to improve their clinical utility.

病理学分析是肿瘤诊断和分期的金标准，近年来，基于显微镜观察的传统病理学已逐步发展为基于数字成像和图像分析技术为的数字病理学，因为后者不但能进行定性分析，还能进行定量分析。定量分析的核心技术问题是图像中细胞核的检测、分割和分类。目前该领域已有不少研究成果，却鲜见其真正应用在临床实践中，究其原因，主要有三：1，缺乏统一的benchmark方法评价算法的可用性；2，未考虑到交互性设计，所以算法的鲁棒性和准确性不高；3，计算速度太慢。本研究拟解决以上这三个问题。首先，我们将设计完善的benchmark系统对不同算法进行客观评价；其次，我们将设计交互式算法接口，使得每一种算法可以调用我们的接口进行高效交互；再者，我们将设计完善的GPU计算框架，来支持算法设计者可以简单地将算法移植到GPU，从而获得数倍以上的性能提升。本研究的成果有助于实现本领域内算法的客观评测，并帮助提高这些算法和方案的临床可用性。

病理学分析是肿瘤诊断和分期的金标准，近年来，基于显微镜观察的传统病理学已逐步发展为基于数字成像和图像分析技术为的数字病理学，实现了病理从定性到定量分析的新方法。定量分析的核心技术问题是细胞核的检测、分割和分类。首先，我们设计了数字病理大尺度影像数据采集和管理软件系统，并设计了交互式的算法接口，使得算法调用数据读取显示接口进行高效交互；再者，通过细胞核分割和分类算法的设计，实现病理图像目标检测和分类识别；然后，设计了基于云端GPU计算框架，从而解决算法计算慢的问题；最后，基于在病理图像算法分析工作基础上，对课题研究内容进行了延伸拓展到肿瘤DNA分子水平的分析。通过本项目研究的算法和方案试验研究推动数字病理算法和基因测序算法在临床上的可用性。主要创造性成果如下：.1、为解决大尺寸和多尺度分辨率病理图像存储和计算的挑战性问题，本项目提出一种基于金字塔多尺度完成了图像采集和交互处理的软件工具平台。.2、在病理图像分割和分类算法上提出一系列创新型算法，针对病理细胞中大量存在的细胞粘连问题，提出了一种改进的分水岭算法；针对细胞种类多、特征复杂、难以准确识别的问题，本项目提出了一种基于元胞自动机的极限学习集成算法用于乳腺细胞的分类、识别；在云端采用GPU并行计算对算法进行并行化处理，实现算法实时计算。.3、最后在微观的分子层面上研发系列肿瘤分子病理学的方法，实现肿瘤高通量测序的数据分析方法模型，首先提出一种overlap分析方法以进行碱基数据校正，评估测序仪的错误模式，实现测序数据增强预处理。利用机器学习算法模型实现了Cell-free DNA的断裂模式和模式识别；.4、项目团队研发最后研发了MutScan开源软件，实现目标基因变异的快速检出和可视化，可以快速的检测出低至一条序列的DNA突变，极大地保证了检测的灵敏度。. 综上所述，本项目所有研究成果都进行了论文发表和专利保护，相关软件进行了开源，共发表论文16篇，申请中国发明专利6项，培养硕士博士生9名，总之，本研究具有较大的应用价值和社会效益。