细胞学图像自动分类肺癌类型

　　原发性肺癌分为两种主要类型：小细胞肺癌和非小细胞肺癌。最近，化学疗法和放射疗法的进展已将后者进一步分为腺癌，鳞状细胞癌和大细胞癌。就形态特征而言，通常很难准确地区分腺癌和鳞状细胞癌，这意味着需要进行免疫组织化学评估。此外，在这些癌细胞中有许多形态学变化。因此，计算机辅助诊断可以成为避免分类错误的有用工具。在四种主要的肺癌类型中，大细胞癌由于具有严重的非典型性，因此最容易发现。在这项研究中，出国看病服务机构集中于使用显微镜图像进行细胞学检查的癌症类型的自动分类。
　　 已经进行了将CAD方法应用于病理图像的各种研究。然而，就出国看病服务机构所知，尚未开发出从细胞学影像中对肺癌类型进行分类的方法。同样，众所周知，“深度学习”比传统的图像分类技术具有更好的性能。例如，某专家赢得了2012年使用DCNN对高分辨率图像进行分类的ImageNet大规模视觉识别挑战赛。许多研究小组已经研究了DCNN在医学图像中的应用。在这项研究中，出国看病服务机构使用DCNN。
　　 图像数据集
　　 在支气管镜或CT引导的细针穿刺细胞学检查下，通过脱落或介入细胞学收集了76例癌细胞。其中包括40例腺癌，20例鳞状细胞癌和16例小细胞癌。在所有情况下都通过组织病理学和免疫组织化学诊断相结合做出最终诊断。
　　 使用基于BDSurePath液体的巴氏试验，使用基于液体的细胞学系统制备细胞学标本，并使用Papanicolaou方法进行染色。使用连接到带有40倍物镜的显微镜的数码相机拍摄的82例腺癌图像，125例鳞状细胞癌图像和91例小细胞癌图像以JPEG格式收集。每个JPEG图像的初始矩阵大小为2040×1536像素。
　　 随后，通过裁剪生成了768×768像素的正方形图像。最后，将它们调整为256×256像素。
　　 网络架构
　　 用于癌症类型分类的DCNN的架构。它由三个卷积层，三个池化层和两个完全连接的层组成。彩色显微图像被馈送到DCNN的输入层。指定了每个层的过滤器大小，过滤器数量和步幅。在最后一层，使用softmax函数获得癌症类型的概率。在训练期间，出国看病服务机构采用了辍学方法以防止过度拟合。
　　 为了对三种癌症类型进行分类，使用增强数据对DCNN进行了训练和评估。通过三重交叉验证评估了其分类性能。在此过程中，将298张图像随机分为三组。但是，从同一标本拍摄的图像属于同一组。通过数据扩充，每个类别中的图像数量统一为大约5000。使用所提出的方法获得的正确分类和错误分类的癌症类型的样本图像。描述的分类混淆矩阵可以看出，鳞状细胞癌经常被误认为腺癌。
　　 实验结果表明，正确分类了70％的肺癌细胞。大多数正确分类的图像具有典型的细胞形态和排列。在传统的细胞学中，病理学家对小细胞癌和非小细胞癌进行分类。在这种情况下，分类准确率是255/298=85.6％，这被认为是足够的。在这三种类型的肺癌中，腺癌的分类准确性最高，鳞状细胞癌的分类准确性最低。该结果可能与用于训练的图像的变化有关。因此，出国看病服务机构计划增加在未来研究中使用的腺癌和鳞状细胞癌的病例数。小细胞癌具有鲜明的特征，例如只有很少的细胞质和小的核。因此，
　　 71.1％的分类准确率可与细胞技术人员或病理学家相提并论。值得注意的是，DCNN能够仅从图像中了解细胞形态和癌细胞的位置，而无需事先具备生物学和病理学知识或经验。这是令人满意的结果，因为肺癌的细胞学诊断对病理学家而言是一项艰巨的任务。因此，出国看病服务机构的方法将有助于辅助肺癌的细胞学检查。
　　 总结文章出国看病服务机构使用DCNN为显微镜图像中的肺癌制定了自动分类方案。评价结果表明大约70％的图像被正确分类。这些结果表明DCNN可用于细胞诊断中的肺癌分类。在未来的研究中，出国看病服务机构计划分析DCNN在分类过程中重点关注的图像特征，以详细揭示分类机制。另外，出国看病服务机构希望开发一种对细胞和细胞阵列进行全面分类的方法。
　　 出国看病服务机构介绍了使用PET/CT和显微图像的肺癌决策支持系统。PET/CT为检测肺部病变和评估恶性肿瘤提供了有用的信息，并且可以通过结合细胞学和组织病理学等检查来全面进行病理诊断。出国看病服务机构相信，支持此类诊断的系统将有助于更快，更准确地诊断肺癌。
　　 目前，出国看病服务机构正在开发即使在数据量较小的情况下也可以实现更好性能的技术。由于每种引入的方法都是在不同的情况下进行评估的，因此在将来，出国看病服务机构将继续验证从检测到确定性诊断的管道在许多情况下是否有效。