使用肺细胞学图像进行自动恶性分析

　　为了提高肺癌患者的生存率，早期检测和治疗是必要的。CT检查是早期发现肺癌的有效诊断工具。如果通过CT检查发现可疑病变，则进行随后的病理诊断以详细检查病变。
　　 为了进行病理学诊断，首先在进行支气管镜活检时使用痰液，胸腔积液和刷子进行细胞学诊断。然而，这是由细胞技术专家和细胞病理学家以一种提出一些挑战的程序来进行的。首先，这些专家必须检测许多细胞中的异常细胞，并且细胞形态的变化会使检测变得更加复杂。由细胞病理学家进行的最终诊断通常会确认细胞技术学家指出的标本具有可疑异常。因此，在第一阶段应将FN最小化。尽管细胞病理学家在精密医学中发挥着重要作用，但全球此类专业人员仍然短缺，这是早期诊断的负担。因此，自动分析细胞学图像以量化样本中的恶性程度可提高诊断准确性并缩短诊断时间。
　　 在这项研究中，出国看病服务机构开发了一种在细胞学图像中对肺细胞进行分类的自动化方法。细胞学中良性和恶性细胞的自动分类不仅是细胞病理学家而且是筛查者的重要计算机辅助技术。然而，据出国看病服务机构所知，迄今为止，尚未使用深度学习对良性和恶性肺细胞进行分类。因此，文中出国看病服务机构提出了一种自动分类肺细胞影像学中良性和恶性细胞的方法。
　　 图像数据集
　　 出国看病服务机构于2012年至2014年在日本藤田健康大学医院通过支气管镜或CT引导下的细针穿刺细胞学通过介入细胞学收集了46例肺组织和细胞，包括18例良性和28例恶性病例。使用BDSurePathTM液基巴氏试验用液基细胞学制备细胞学标本，并用Papanicolaou方法染色。使用矩阵尺寸为1280×960像素的数码相机连接到配有40倍物镜的显微镜，出国看病服务机构收集了197幅良性图像和220幅恶性图像细胞。要为DCNN生成图像数据集，从原始显微图像上切下224×224像素的补丁图像而没有重叠。斑块图像由细胞病理学家检查；具有至少一个恶性细胞的图像被认为是恶性的。因此，只有当所有单元格都为良性时，整个图像才被视为良性。最终的数据集由621个斑块图像，306个良性图像和315个恶性细胞组成。
　　 网络架构
　　 出国看病服务机构使用VGG-16DCNN模型使用补丁图像进行分类。它由牛津大学的视觉几何小组于2014年发布。尽管该模型是具有非常简单架构的顺序模型，但由于其高性能，因此在2014年ImageNet大规模视觉识别挑战赛中获得第二名。在这项研究中，出国看病服务机构微调了ImageNet数据集上预训练的VGG-16模型，该模型具有比原始数据集更大的训练图像样本。为了进行分类，出国看病服务机构用具有1024、256和2个单元的三层替换了原始VGG-16模型的完全连接的层。输出由softmax层给出。替换层的参数被随机初始化和拟合，而不会更改其他层的参数。
　　 所提出的方法是使用Keras和TensorFlow人工智能平台实现的。使用32的小批量，基于随机梯度下降的优化，学习率10-5和动量0.9进行训练。出国看病服务机构将批次大小设置为16、32、64和128中的32，以使训练损失平稳地减少。
　　 结果和讨论
　　 基于补丁的分类的ROC曲线。另外，描述了基于补丁的分类的混淆矩阵。使用原始图像和增强图像的基于补丁的分类的AUC分别为0.801和0.872。对于三重交叉验证的步骤一，二和三，基于补丁的分类的准确性分别为86.9％，81.0％和70.0％。显示了良性细胞和恶性细胞的样品图像。
　　 实验的结果是，所分析案例的分类准确度约为80.0％。与其他CNN架构相比，VGG-16具有最高的分类能力。因此，所提出的方法为细胞病理学家的诊断提供了补充特征，并获得了较高的恶性鉴别率。
　　 在未来的工作中，为了提高分类准确性，出国看病服务机构将增加对DCNN进行训练的案例数量。此外，可以将DCNN应用于更多层。在这项研究中，出国看病服务机构使用带有40倍物镜的显微镜和标准分辨率的照相机获取了用于一般病理检查的图像。但是，通过对从高倍率物镜和高分辨率相机获得的图像进行分类，可以期待更高的精度。另外，在细胞学的实际诊断中，由于非典型细胞，很难将细胞清楚地分类为良性或恶性。将来，出国看病服务机构将考虑在实际诊断中添加“非典型细胞”的类别。
　　 出国看病服务机构使用显微镜图像为恶性肺细胞提出了一种基于DCNN的自动分类方案。评估结果得出的敏感性，特异性和准确性分别为94.6％，63.4％和79.2％。这些结果表明，所提出的方法可以在显微细胞学图像中有效识别恶性细胞。