基于深度卷积网络和结合策略的乳腺组织病理图像细胞核异型性自动评分

细胞核异型性是评估乳腺癌恶性程度的一个重要指标,主要体现在细胞核的形状、大小变化、纹理和质密度不均化。提出基于深度学习和结合策略模型的乳腺组织细胞核异型性自动评分模型。该模型使用3个卷积神经网络,分别处理每个病例的3种不同分辨率下的组织病理图像,每个网络结合滑动窗口和绝对多数投票法,评估每个病例同一种分辨率下的图像的分值,得到3种分辨率下的评分结果。使用相对多数投票法,综合评估每个病例的最终细胞核异型性评分结果。为评估模型对细胞核异型性评分的有效性,利用训练好的模型对124个病例的测试图像进行自动评分,并把其评分结果与病理医生的评分结果作比较,进行性能评估。该模型的评分正确率得分为67分,其结果在现有的细胞核异型性评分模型中准确率排名第二。此外,该模型的计算效率也很高,平均在每张×10、×20、×40分辨率下图像的计算时间分别约为1.2、5.5、30 s。研究表明,该细胞核异型性评分模型不仅具有较高的准确性,而且计算效率高,因此具备潜在的临床应用能力。