基于胶囊神经网络的癌症数字病理图像预测方法研究

作     者：汤博 

作者单位：中国科学技术大学 

学位级别：硕士

导师姓名：李骜

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：数字病理图像 胶囊神经网络 细胞分类预测 生存期预测 

摘      要：随着癌症发病率和死亡率的逐渐升高,对癌症患者进行精确诊断显得尤为重要。由于病理图像中包含了大量与癌症患者密切相关的临床信息,对癌症的诊断具有重要意义。因此对癌症病理图像进行准确预测可以辅助医生进行精确的临床诊断、预测病情的下一步发展,对制定合适的治疗方案、提高患者的治疗质量有很大帮助。近年来,随着自动化组织切片和全切片扫描技术的发展,积累了大量的癌症数字病理图像数据。同时,得益于人工智能技术的高速发展,使用人工智能技术对癌症数字病理图像进行预测可以极大的提高预测准确率。因此,亟需深入研究用于癌症数字病理图像预测的人工智能方法,实现癌症病理图像的精准预测,辅助医生进行诊断与治疗。当前基于人工智能技术的癌症数字病理图像预测方法大多使用卷积神经网络模型,其无法考虑到对象之间的空间和层级关系,具有较大的局限性。为解决上述问题,本文使用胶囊神经网络这一新兴的人工智能方法,针对癌症数字病理图像预测中的两个重要任务,分别提出基于胶囊神经网络的新颖预测方法。本文具体工作如下:(1)针对细胞数字病理图像分类预测任务,本文提出了一个基于胶囊神经网络的预测方法CapCell。同时,通过融合两种不同的损失函数,为CapCell方法设计了新型的分类损失函数,使其可以对乳腺癌的淋巴细胞、正常上皮细胞和恶性上皮细胞进行精准分类。然后,使用准确率等指标对该方法在独立测试集上的预测性能进行分析和评估,并与其它分类方法进行比较,结果显示采用新型损失函数的CapCell方法具有优秀的细胞分类能力,将细胞分类预测准确率提高了 3.3%。最后,通过对细胞分类损失函数的权重进行分析,验证其对CapCell方法的促进作用及在细胞病理图像分类预测任务中的有效性和实用性。(2)为使用癌症全尺寸数字病理图像数据对患者进行生存期预测,本文提出了一个基于胶囊神经网络的全尺寸病理图像生存期预测方法CapSurv,并通过整合Cox损失、间隔损失和重构损失函数,为其设计了一个新的生存损失函数。同时,为优化CapSurv的训练,本文提出了一个新的病理图像块筛选方法,通过使用VGG16网络对病理图像块进行特征提取及聚类,筛选出与生存期相关的图像块并用于胶囊神经网络的训练。然后,通过多个性能评价指标,本文对CapSurv方法在两个不同癌症数据集上的预测性能进行了全面的评估。同时,与其它生存期预测方法的对比也显示了 CapSurv方法在癌症全尺寸数字病理图像生存期预测中的优异性能。最后,分别对病理图像块筛选方法及生存损失函数进行分析与评估,验证了其在癌症全尺寸数字病理图像生存期预测任务中的有效性。