基于深度学习模型的前列腺组织病理图像中筛状结构检测

腺体的结构、大小与形状是病理学家用于评估前列腺组织病理切片中癌症恶性程度最重要的模式。腺体结构多变加之繁琐的手动观察可能导致主观且不一致的评估。具有不规则边界的筛状腺体是 Gleason 4 级中的一个重要特征。我们提出使用深度神经网络进行前列腺组织病理图像中的筛状模式分类。从 $19$ 名前列腺癌患者的组织病理切片中提取 $163708$ 张苏木精-伊红（H&E）染色图像，并标注筛状模式。我们的自动化图像分类系统分析 H&E 图像，将其分类为“筛状”或“非筛状”。我们的系统使用多种深度学习方法以及基于手工提取图像像素强度的特征。我们给出了在系统允许的各种参数与配置下筛状模式检测的结果。微调后的深度学习模型组合优于基于细胞核特征的现有最优（SOTA）方法。我们的图像分类系统在三折交叉验证中达到 $85.93~\pm~7.54$ 的测试准确率，在额外未见测试集上达到 $88.04~\pm~5.63$。本文中，我们给出一个标注的筛状数据集，并辅以对前列腺组织病理图像中筛状模式检测的深度学习模型与手工特征的的分析。