基于弱监督学习的数字病理图像癌细胞检测与分割方法研究

Cancer cell detection and segmentation in digital pathology images is of vital value as it is a prerequisite and basic task for cancer diagnosis and grading. Due to the problems caused by the touching and overlapping of cells, and significant variations on nucleus/cell size, shape, and intracellular intensity heterogeneity, cancer cell detection and segmentation is a highly challenging task. In recent years, with the advance of deep learning based techniques, cancer cell detection and segmentation has achieved great progress. However, there remain challenging problems, such as the lack of large-scale annotated datasets, and the limited accuracy of the detection and segmentation performance. To address these problems, with the deep learning based approaches, this project investigates cancer cell detection and segmentation methods based on weakly supervised learning, under the scenarios that only coarse-grained annotations are available or only a limited part of images are annotated. The attempt of this project is to solve the annotation problem and improve the cancer cell detection and segmentation performance. The main contents and innovations are as follows: (1) cancer cell region detection and segmentation with scribble annotation; (2) semi-automatic annotation of cancer cell regions based on active learning; (3) cancer cell detection and segmentation based on multiple instance learning. The contents and methods proposed in this project have high academic and applicable values, and deserve further study.

数字病理图像癌细胞检测与分割是癌症诊断与定级的先决条件和基础任务，因此具有十分重要的意义。由于细胞之间的粘连与重叠、以及细胞大小、形状、内部强度多样性等问题，癌细胞检测与分割具有极大的挑战性。最近几年随着深度学习技术的应用，癌细胞检测与分割取得了巨大进展，但仍然存在标记样本不足、性能还不够高的问题。针对上述问题，本项目拟结合深度学习，研究在只有粗粒度标记或只有部分标记样本下的基于弱监督学习的癌细胞检测与分割方法，旨在解决样本问题及提高系统性能。主要研究内容和创新点包括：（1）涂鸦式标记（scribble annotation，又叫简笔标记）下的癌细胞区域检测与分割方法；（2）基于主动学习的癌细胞区域半自动标注方法；（3）基于多示例学习的癌细胞检测与分割方法。在此基础在上，将算法应用于数据库标记、疾病诊断及远程诊断系统中。本项目提出的研究内容与方法具有广泛的实际意义和学术价值，值得深入研究。

病理诊断在临床医学中占有重要地位，它为疾病的诊断、分型和治疗，以及对疾病进展、预后和疗效的判断提供了客观依据。除了提供诊断信息外，组织学切片中包含的表型信息可以用于预后。核异型性、腺体形成程度、有无有丝分裂和炎症等特征都可以指示肿瘤的侵袭性，也可以预测术后复发的可能性。由于细胞之间的粘连与重叠、图像背景复杂、前景背景边界不清晰、以及细胞大小、形状、内部强度多样性等问题，目前癌细胞检测与分割具有极大的挑战性。在数字病理图像癌细胞检测与分割的研究中，缺少大规模标记数据的问题依然没有解决，还有待深入的研究。因此，本项目研究基于弱监督学习的数字病理图像癌细胞检测与分割方法，将对涂鸦式标记下的癌细胞区域检测与分割方法、基于主动学习的癌细胞区域半自动标注方法、以及基于多示例学习的癌细胞检测与分割方法等展开深入研究，开发出一套有效的、创新性的算法与成果，并应用到数据库建设、疾病辅助诊断、远程诊断系统中。本项目提出的研究课题不仅具有十分重要的实际应用价值，而且提出的研究内容和方法具有良好的理论意义和参考价值，因此是值得花大力气进行深入研究的。在研究周期内，研究组先后完成了细胞图像数据集的收集及标注整理、细胞核检测与分割实验平台搭建、基于点标注的弱监督腺体实例分割算法、细胞核半自动标注系统等子研究项。其核心研究项细胞核半自动标注系统可以自动识别并标注图像中的细胞核实例，使用者只需要在此基础上进行简要修改就可以完成细胞核图像整图的标注。除了相应的应用算法及系统原型外，研究组也结合实际临床需求对研究成果进行技术落地。研究组所开发的肺部病理图像分析与诊断系统与厦门乳腺病理AI 辅助诊断平台对临床辅助诊断具有重大意义，并已部署于医院与医疗大数据中心等医疗机构。