摘要
病理组织图像包含丰富的表型信息，可用于监测患者的疾病发展和生存结果。早期病理诊断主要依靠病理医生对染色病理切片的检查和解释进行疾病评估，然而这种人工诊断的方式效率低下，医生工作量巨大且分类准确率不高。计算机辅助诊断技术的出现，降低了病理医生阅片压力并减少误诊率。近年来随着深度学习在病理辅助诊断领域的发展，基于深度学习的特征提取方法被广泛地应用于乳腺癌病理图像分类上，但由于乳腺癌图像的形态结构复杂多样，现有的一些深度学习方法对其组织形态和纹理特征的利用并不充分。基于此，为进一步提高乳腺癌病理图像的分类精度，本文从深度学习特征提取与特征融合增强的角度出发，对乳腺癌病理图像的分类问题进行研究，具体研究内容如下： （1）针对弱监督分类任务对乳腺癌病理图像特征提取不充分的问题，提出了一种基于无监督特征提取的弱监督乳腺癌病理图像分类方法。该方法首先从原始病理全景图像中切取无标注信息的小图块，然后利用无监督学习方法BYOL（BootstrapYourOwnLatent，BYOL）对特征提取网络进行针对训练，使特征提取模型能挖掘出更充分的病理组织特征，最后使用聚类约束的多实例弱监督框架对特征进行注意力池化并分类。实验结果表明，所提方法在仅使用图像级弱标签情况下能够有效地对乳腺癌病理图像进行分类并提高了网络的分类准确性。 （2）针对乳腺癌病理图像分类任务中对于全景图像的放大尺度信息利用不充分问题，在多实例弱监督分类的基础上，提出了一种融合双尺度特征信息的多实例弱监督病理组织图像分类方法Multi-CLAMBR。该方法首先从全景图像的病理组织区域中，按照1：1中心提取的方式提取多个放大尺度小图块，然后利用无监督学习训练的特征提取模型对不同放大尺度下的小图块分别提取特征，最后聚合双尺度特征对乳腺癌病理图像进行分类。实验结果表明，Multi-CLAMBR通过融合两个放大尺度特征，在仅用图像级弱标签情况下进一步提高了网络的分类准确性，且分类性能优于大部分其他双尺度融合方法。 （3）针对乳腺癌病理图像在多分类任务中数据分布不均衡、样本过少以及对图像中纹理特征信息利用不充分的问题，提出了一种基于纹理增强的乳腺癌病理图像多分类方法。该方法首先使用数据增强方式扩充并平衡各类别数据，然后利用染色分离技术和灰度共生矩阵算法分别提取出细胞纹理和组织纹理特征图像，接着将提取的纹理图像输入空间纹理增强块中，让网络进一步关注图像中的纹理特征，最后网络融合所有特征并进行分类。实验结果表明，基于纹理增强的多分类方法能够大幅提升原始网络的多分类性能。 综上所述，本文从乳腺癌病理图像的复杂性及多样性着手，针对弱监督分类任务中特征提取不充分、多个放大尺度特征信息利用不充分，多分类任务中数据分布不均衡及纹理特征利用不充分的问题提出了具体解决方案。经实验表明，本文所提方法均有效地提高了现有方法的分类性能。
NETL