全卷积神经网络用于识别病理图片中的细胞核

张绪森，潘 君，孔 非

（重庆大学生物工程学院，重庆 400044）

病理诊断是各种诊断方法中最可靠的诊断方式[1]。其主要依靠显微镜观察病理切片中病理组织的细胞结构做出判断，因此相比于临床常用的各种诊断手段例如：CT、超声及核磁共振更加客观。依靠细胞结构的病理诊断的主要依据是细胞中遗传物质的改变，导致了正常细胞和癌变后细胞的形态不同，所以在病理学诊断中细胞核准确分割非常重要[1]。在日常监测中常使用HE染色的方法使细胞核的形态暴露出来，然后由医生根据经验对细胞核的形态进行判断，进而诊断出患者疾病情况[2]。但是医生通过经验判断细胞核的形态具有效率低下[3]且误差高的缺点[4]，神经网络的优点是学习人类的经验，并将学到的特征用于代替人类工作，深度学习采用深度神经网络能够更深入地学习人类的工作经验，并且long等人提出的FCN算法被广泛运用于图片分割问题[5]，因此本文采用FCN分割小鼠肿瘤切片病理图片中的细胞核，并从分割效果及效率的角度讨论了FCN算法用于分割病理图片的实际效果。

1 资料与方法

1.1 一般资料

选取癌细胞，采取皮下注射的方式将癌细胞注入健康小鼠体内，待肿瘤组织在小鼠体内长成后，将肿瘤组织取出制作病理切片，并将病理切片使用苏木精-伊红染色法染色，进而得到106张小鼠肿瘤组织病理切片的HE染色图片。使用软件对106张HE染色图片中的细胞核进行标注，并得到对应标签。

1.2 方法

采用long等人研发的FCN算法，将106张HE染色图片及其对应标签按照1：6的比例分为测试集与训练集，训练神经网络模型并使用VGG16模型进行微调，得到FCN模型。

1.3 评价指标

long等人在研发FCN算法时，曾经使用pixel accuracy，mean accuracy，mean IU，frequency weighted IU四个指标衡量他们训练出的FCN模型的分割效果[5]。本文亦使用上述四个指标衡量训练出的FCN模型的分割效果，并与long等人的指标进行对比。

2 结果

2.1 FCN训练出的模型对小鼠肿瘤切片中癌细胞细胞核分割效果

表1

从表1可知，与FCN研发团队训练出的神经网络模型相比，本文训练出来的神经网络模型在pixel accuracy上要高7.5%，在mean accuracy上要高12.5%，在mean IU上要高17%，在frequency weighted IU上要高13.2%。

2.2 医生识别小鼠肿瘤切片中癌细胞的细胞核与人识别的识别效率对比

表2

从表2我们可以看出，与人类识别一张病理图片中细胞核的时间相比，本文训练出的神经网络模型要节约960s。

3 分析

通过表1的结果可知，FCN算法训练出来的深度学习模型可以对病理图片中的细胞核进行识别，并得到较为准确的识别结果。通过表2的结果可知，与人工识别细胞核的方法相比深度学习模型显著提高了识别效率。因此通过本次研究可知，深度学习模型可以使病理图片中细胞核识别的过程更为准确、迅速而且还可以为医生判断提供参考依据，使得诊断更为便捷。