基于深度学习的实例分割用于数字乳腺癌免疫组化图像的精确自动量化

乳腺癌免疫组化图像上生物标志物的量化对于确定乳腺癌患者的适当疗法以及提取疾病预后的相关信息至关重要。这是一项艰巨且耗时的任务，可能因观察者内和观察者间的变异性而引入结果偏倚，而使用自动量化工具可缓解此问题。然而，鉴于乳腺肿瘤的异质性导致肿瘤细胞非均匀分布，表现出不同的染色颜色与强度、大小、形状及核、细胞质和膜的纹理，这并非简单的处理任务。在本研究中，我们展示了使用基于深度学习的实例分割架构对应用于 IHC 染色切片的核与膜生物标志物进行自动量化的可行性。我们通过设计和实现一个 web 平台解决了训练集生成的繁琐任务，该平台充当研究人员与病理学家之间沟通与反馈的枢纽，以及自动图像处理模型的验证系统。通过该工具，我们收集了 HE、ER 和 Ki-67（核生物标志物）以及 HER2（膜生物标志物）IHC 染色图像的标注。使用相同的深度学习网络架构，我们训练了两个模型，即核感知与膜感知分割模型，成功验证后，它们被证明是分割 IHC 染色图像中核实例的一种有前景的方法。本工作提出的量化方法已集成到所开发的 web 平台中，目前正被病理学家用作决策支持工具。