注意力驱动的多通道胸水肿瘤细胞团块识别

Detection of tumor cell clusters in pleural effusion is one of the necessary means to determine the metastasis and prognosis of lung adenocarcinoma. The difficulty lies in rapid and accurate detection of tumor cell clusters from images containing tens of billions of cells. According to the characteristics that tumor cells are mixed with normal cells in pleural effusion, and hybrid protein components interfere with cell staining, combining with tumor cell markers, this project explores attention-driven methods to extract features of proposed cell cluster regions, and to establish models of pleural effusion cell clusters. Moreover, in order to improve the recognition accuracy of tumor cell clusters, this project proposes a multi-channel deep learning model for the first time. The theory of cell cluster recognition will be studied based on cell cluster models, the fusion method of hand-crafted features and deep learning features and the weight optimization strategy will be analyzed, and the optimal configuration of network structure and network parameters will be discussed. This project will establish an attention-driven, multi-cahnnel detection system to recognize pleural effusion cell clusters from standard cell lines and patients of lung cancer.

检测胸水肿瘤细胞团块是确定肺腺癌转移及疾病预后的必要手段之一，其难点在于快速地从含有数以百亿细胞的图像中筛选出肺癌肿瘤细胞团块并进行准确地鉴别。本项目根据胸水中肿瘤细胞与正常细胞混杂、蛋白成分干扰细胞染色等特点，结合肿瘤细胞标志物标记技术，探索注意力驱动的显著细胞区域的细胞特征提取，并建立建立胸水细胞团块模型。为了提高肿瘤细胞团块识别准确率，本项目首次提出建立多通道的深度学习模型，结合细胞团块模型特点，研究胸水肿瘤细胞团块识别理论；分析人工特征、深度学习特征融合方式及权值优化策略；探讨网络结构及网络参数优化配置方案，开创注意力驱动的多通道肺癌标准细胞株及肺癌患者胸水肿瘤细胞团块识别系统。

癌症诊断“金标准”仍依靠专家对病理切片进行肿瘤细胞检查，而临床诊断工作需要经验丰富的病理专家，并且工作重复、耗时，医生高负荷工作，难免会导致误诊，给患者带来痛苦。机器学习尤其是深度学习的发展，使得人工智能辅助诊断肿瘤细胞成为一个热点。本项目基于医学图像尤其是细胞图像的最新研究进展，结合传统机器学习算法及深度学习网络，对胸水细胞团块、白细胞、宫颈细胞等有相似性同时又具有各自差异性的几种细胞图像进行了深入研究。具体地，本项目完成了以下工作：1）建立了胸水细胞团块、白细胞、宫颈细胞数据集，并分析了胸水中不同细胞的生物特性，提取并分析了不同细胞具有的图像特征；2）提出了针对不同细胞的基于RPN的可疑区域提取算法，分别实现了胸水细胞团块、白细胞及宫颈细胞感兴趣区域提取；3）建立了基于注意力机制的胸水细胞核分割网络、基于SVM与拉曼光谱的肺癌细胞与正常细胞的识别、基于边界感知的白细胞实例分割模型及、基于最大截面特征及BP神经网络的宫颈细胞识别算法。项目的研究成果可应用于临床中辅助医生进行病灶区域定位以及肿瘤细胞的辅助诊断，对于肿瘤的早期发现具有重要意义。