基于深度学习技术的乳腺癌病理图像分割算法研究

陈成程 刘鸿儒 程晗晗

摘要：乳腺癌是最常见的恶性肿瘤之一。然而，病理图像携带丰富信息，需要病理科医生耗费大量时间和精力才能确保准确诊断，乳房的病理图像处理已成为早期诊断乳腺癌的重要手段。采用医学图像处理来帮助医生尽早检测出潜在的乳腺癌，一直是医学图像诊断领域的热门话题。随着科学技术的日渐精进与发展，采用深度学习技术对病理图像进行精细的分类和分割，有助于提升诊断的准确性和效率，为乳腺癌患者带来更精准的治疗方案。

本文具体研究工作内容如下：

（1）提出了一种基于单路注意力--双路并行卷积的 DFU-Net 图像分割模型。本文采用了一种迭代阈值分割和自适应二值化结合的方法排除病理图像背景信息，有效分离出感兴趣区域；DFU-Net在U-Net基础上引入了CLC-UNet模块，提取更丰富的特征和上下文信息。实验结果表明，该模型相比对比模型提升了分割性能。

（2）开发了乳腺癌病理图像的深度学习智能诊断系统。基于 DFU-Net 病理图像分割算法研究基础上，设计并实现了一个乳腺癌冰冻图片的深度学习智能诊断系统，并编写测试用例进行系统测试。

（3）基于边界的分割方法主要使用梯度信息来确定目标的边界。例如，快速行进算法和水变换的医学图像分割方法可以快速准确地分割图像。

关键词：DFU-Net图像分割模型；CLC-UNet；深度学习智能诊断系统；梯度信息

1.研究背景及意义

研究背景：据世界卫生组织最新的数据，乳腺癌已取代肺癌成为全球第一大肿瘤。2023年4月14日，中国疾控中心周报发布2003～2017年我国女性乳腺癌数据分析，到2030年，全国将有超40万例新诊断病例和超10万例死亡。我国20岁以上女性乳腺癌的年龄标准化发病率从2003年的46.34/10万人，增加到2017年的68.78/10万人。20岁以上的女性在农村地区的年龄标准化死亡率增长更快，但城市地区的年龄标准化发病率更高。因此，寻找更多策略和方法加强对癌症的早期筛查和诊断，可以增加患者治疗的成功率和生存率。基于深度学习的乳腺癌病理学图像分割方法则可以更好地利用和分析这些数据，提高乳腺癌病理学领域的诊断效率和准确性。因此，基于深度学习的乳腺癌病理学图像分割方法是全视野数字切片技术在医学领域的重要应用之一，具有广阔的发展前景。
    研究意义：本文研究基于深度学习的乳腺癌病理学图像分割方法，实现在分类阶段区分癌症和非癌症类以及在分割阶段有效定位乳腺癌病变区域的任务。首先，该算法可以自动学习乳腺癌病理学图像的复杂特征，具有较好的准确性和稳定性。其次，基于深度学习算法开发的系统，可以自动完成图像分割，大大缩短了诊断时间，极大地提升了临床工作效率。此外，该系统还可以将乳腺癌病变区域进行可视化，帮助医生更加清晰地认识病变的情况，从而更有效地实施治疗和监测。

2.研究现状

随着医疗技术和计算机辅助医疗诊断技术的不断进步，基于深度学习的乳腺癌病理组织学图像分割技术在乳腺癌治疗中扮演着越来越重要的角色。近年来，国内外研究者通过利用深度学习等最新技术不断完善乳腺癌病理学分割算法，取得了令人瞩目的成果，为临床治疗提供了有力支持。

3.研究内容及解决方法

研究内容：主要研究基于深度学习的乳腺癌病理图像分割，在此基础上提出了改进的分类模型SE-BiPoolNet用于细粒度特征学习和DFU-Net算法用于图像分割，以提高分割的效率。设计开发了乳腺癌病理图片深度学习智能诊断系统。同时，本文对乳腺癌病理图像识别所面临的挑战进行了分析，并展望了未来的研究工作。

解决方法：BreakHis数据集作为乳腺癌病理图像分类任务的一个重要数据集，选用数据集BreakHis，首先，该数据集规模较大，包含7909张高分辨率的组织切片图像，数据集由82例患者的2480张700 X 460像素的良性图像和5429张恶性图像组成，足以支持大规模深度学习模型的训练。其次，该数据集的质量较高，由经验丰富的专业医生标注，具有较高的准确性和可信度。同时，数据集提供了高质量的图像和对应的标注信息，使得研究者可以方便地进行实验和比较。最后，该数据集中的图像具有较大的变异性，包括不同的图像尺度、光照条件、组织结构、形状和大小等方面的差异，使得分类任务具有一定的挑战性，可以有效地评估算法的鲁棒性和泛化能力。因此，选择 BreakHis 数据集可以更好地反映实际应用场景中的需求。

在医学图像分割中，背景噪声和杂质的存在会对分割准确性产生不利影响，本章采 用消除背景和组织切片成片化的技术改善此问题。此外，提出了一种结合单路注意 力和双路并行卷积的图像分割算法 DFU-Net，能够较好地识别和分割医学图像中病变区域。 乳腺癌区域定位的基本步骤包括数据收集和预处理、特征提取、分割框架、模型预测估计和乳腺癌区域位置，具体的算法和技术会因应用场景而不同。乳腺癌病理图像定位结构图如图 4-1 所示。

4.研究结果分析

CLC-UNet模块首先在通道上进行等分，利用输入的多个通道信息，增强模型的表达能力。输入分支 1 添加能够更好地学习通道之间的关系和非线性特征的通道注意力，其中，引入约束以限制注意力权重的大小，从而使得关注点更加均衡分布在不同的特征通道上，输入分支2没有添加注意力。因此输入分支1和输入分支2可以分别学习不同的特征，进而增强模型的表达能力。

DFU-Net预测边界非常清晰，而在红色方框中，预测错误的位置相对较少。除了图像分割结果的定量评估，还可以通过概率热图进一步确定DFU-Net模型的有效性。概率热图不仅可以展示网络的特征提取能力，还可以提供更详细的信息，如每个像素被分类为癌症或正常组织的概率。通过分析概率热图，可以更深入地了解模型对于不同区域的响应和预测，以及模型的错误分类情况。因此，本章使用概率热图在数据集图像上验证DFU-Net模型在定位癌症区域方面的有效性。

5.结论总结

提出了 DFU-Net 分割网络模型，描述了如何从预处理后的图像和标注图中获取网络训练和验证数据样本，一种基于U-Net的改进的单路注意力和双路并行卷积 DFU-Net 图 像分割算法，模型较好的改进了在处理细节和边缘等细节处容易出现模糊和错误的情况，进一步改进了分割准确性。

开发了基于深度学习的乳腺癌病理图片智能诊断系统。深度学习智能诊断系统是一个基于基于DFU-Net 分割网络算法算法的软件，旨在辅助医护人员进行乳腺癌的诊断。采用 Qt 搭建用户界面，用户可以轻松上传和查看病理图像，并查看系统生成的分类和分割结果。同时，本文通过严格的测试步骤，确保系统各个功能模块的正确性和可靠性。

参考文献

[1] 龚磊，徐军，王冠皓，吴建中，唐金海.基于多特征描述的乳腺癌肿瘤病理自动分级[J].计算机应用，2015,35（12）：3570-3575+3580

[2] 赵爽，马志庆，赵文华，李延军.基于病理图像颜色和纹理特征对乳腺良恶性肿瘤的鉴别诊断[J].实用医药杂志，2019,36（05）：406-409