乳腺组织病理图像自动分析研究

Breast cancer, a common cancer threat to women's mental and physical health, has become a major public health problem in current society. Early detection and diagnosis is the key to controlling the disease and to improving the survival rate, and pathological diagnosis is the most reliable gold standard of all kinds of methods. However, manual pathological diagnosis is not only a time-consuming and laborious work, but also depends on the clinical experience and knowledge level of pathologists, with strong subjectivity. With the rapid development of computer image technology and artificial intelligence, it brings convenience for automatic quantitative analysis of pathological images. The project, which takes breast pathological images as research object, studies on the automatic recognition and segmentation methods of regions of interest in whole slide images, and presents a novel feature representation and feature extraction method based on experts’ diagnostic knowledge, and proposes a multiple classifier fusion method based on dynamic interaction of experts’ knowledge, thus to establish a high accuracy, fast and robust breast pathology automatic classification and grading model. This study provides a scientific and objective quantitative analysis method for computer- aided diagnosis of breast pathology, which not only has profound theoretical significance, but also has important application value.

乳腺癌是威胁女性身心健康的常见疾病，已成为当前社会的重大公共卫生问题。早期发现和诊断是控制乳腺癌和提高生存率的关键，病理诊断是乳腺癌各种检查方法中最可靠的金标准。但是，人工病理诊断，不仅是一项耗时费力的工作，而且很大程度上依赖于病理医生的临床经验与知识水平，具有较强的主观性。计算机图像技术和人工智能的快速发展，为组织病理图像自动化定量分析带来了便利。本项目以乳腺组织病理图像为研究对象，研究全扫描图像中感兴趣区域的自动识别和分割方法，提出一种新的基于医生诊断知识的特征表达与特征提取方法，并提出一种专家知识动态交互的多分类器融合方法，以建立高准确率、快速和强鲁棒性的乳腺病理自动分类和分级模型。该研究为计算机辅助乳腺病理诊断问题提供一套科学、客观的定量分析方法，不仅具有深刻的理论意义，而且还具有重要的应用价值。

乳腺癌是威胁女性身心健康的常见疾病，已成为当前社会的重大公共卫生问题。早期发现和诊断是控制乳腺癌和提高生存率的关键，病理诊断是乳腺癌各种检查方法中最可靠的金标准。但是，人工病理诊断，不仅是一项耗时费力的工作，而且很大程度上依赖于病理医生的临床经验与知识水平，具有较强的主观性。计算机图像技术和人工智能的快速发展，为组织病理图像自动化定量分析带来了便利。.本项目以乳腺组织病理图像为研究对象，研究乳腺病理图像中感兴趣区域的自动识别和分割方法，提出基于医生诊断知识的特征表达方法。充分结合病理专家的诊断经验和诊断方法等先验知识，构建一组适用于计算机辅助乳腺病理诊断模型的特征集，并提取图像特征数据。本项目建立了一个增强的机器学习框架应用于乳腺癌的诊断，研究并提出了多种群智能优化算法，比如，提出一种Levy-Flight（LFOA）策略增强的果蝇优化算法（FOA），对支持向量机（SVM）的两个关键参数进行优化，建立基于LFOA的支持向量机（LFOA-SVM）算法，结合病理专家分析得到的高水平特征数据，应用于乳腺癌的诊断。LFOA-SVM的主要创新性在于FOA与LF策略的结合，提高了FOA的质量，从而提高了FOA优化过程的收敛速度，降低了陷入局部最优解的概率。通过合作单位收集了乳腺病例474例，其中良性236例，恶性238例，为了验证该方法的有效性，采用10倍交叉验证方法与其他模型，如FOA-SVM（基于原始FOA的模型）、PSO-SVM（基于原始粒子群优化的模型）、GA-SVM（基于遗传算法的模型）、随机森林、反向传播神经网络等算法进行了比较。实验结果表明，我们提出的LFOA-SVM方法在各种性能指标上均优于其他方法。它能很好地区分恶性乳腺癌和良性乳腺癌，有助于临床诊断。.本项目研究成果为计算机辅助乳腺病理诊断问题提供一套科学、客观的定量分析方法，不仅具有深刻的理论意义，而且还具有重要的应用价值。