基于可变形注意力transformer的胃肠癌病理图像细胞核自动分割方法

作     者：唐智贤 李镇 郭俏 胡家祺 王雪 姚旭峰 TANG Zhi-xian;LI Zhen;GUO Qiao;HU Jia-qi;WANG Xue;YAO Xu-feng

作者机构：上海健康医学院医学影像学院医学影像技术教研室上海201318 上海理工大学健康科学与工程学院生物医学工程研究所上海200093 上海交通大学医学院附属瑞金医院病理科上海200025 

出 版 物：《复旦学报（医学版）》 (Fudan University Journal of Medical Sciences)

年 卷 期：2024年第51卷第3期

页      面：396-403页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：上海市青年科技英才扬帆计划(21YF1418600) 上海市高校青年教师培养资助计划(ZZ202216021) 国家自然科学基金(61971275) 

主　　题：深度学习模型 病理图像 细胞核分割 胃肠癌 诊断 

摘      要：目的使用深度学习算法实现胃肠癌病理图像的细胞核自动分割,辅助后续病理图像的定量分析。方法以2022年1月—2022年2月在上海交通大学医学院附属瑞金医院就诊的59例胃肠癌患者为研究对象,采用python和LabelMe对患者的病理图像进行数据脱敏、图片切割和感兴趣区域标注,共纳入944张病理图像,标注了9703个细胞核。通过构建一种基于深度学习的新型语义分割模型,模型引入可变型注意力transformer(deformable attention transformer,DAT),实现了病理图像细胞核自动、精准、高效分割,并采用多种分割评价标准评估模型性能。结果模型分割结果的平均绝对误差值(mean absolute error,MAE)为0.1126,骰子系数(dice coefficient,Dice)为0.7215,其效果明显优于U-net基线模型,并领先于ResU-net++、R2Unet和R2AttUnet等模型,且分割结果相对稳定,泛化性好。结论本研究建立的分割模型能够精准识别并分割出病理图像中的细胞核,鲁棒性和泛化性较好,有助于在实际应用中辅助诊断。