基于深度学习的组织病理切片数字图像肿瘤分割及其在微观剂量学中的应用

$\bf{目的:}$ 本研究的目标是 (i) 利用人工智能将病理学家在传统上耗时费力的病理切片肿瘤区域手动分割过程自动化，以及 (ii) 验证一种知名且易获取深度学习架构的使用。自动化将减少手动勾画中的人为误差，提高效率，并实现准确且可复现的分割。该进展将缓解因病理学家时间不足而在临床与研究应用工作流中造成的瓶颈。我们的应用是基于勾画病理切片的患者特异性微观剂量学与放射生物学建模。$\bf{方法:}$ 采用 U-Net 架构对苏木精和伊红染色的肺组织腺癌病理核心活检中的肿瘤区域进行分割。一名病理学家手动勾画了 56 张图像的肿瘤区域并给出二值掩膜用于训练。分别研究了重叠块提取（多种块尺寸）与图像下采样。使用了数据增强与 8 折交叉验证。$\bf{结果:}$ U-Net 取得了 0.91$\pm$0.06 的准确率、0.90$\pm$0.08 的特异度、0.92$\pm$0.07 的灵敏度与 0.8$\pm$0.1 的精确率。F1/DICE 得分为 0.85$\pm$0.07，每张图像分割耗时 3.24$\pm$0.03 秒，较手动分割效率提升 370$\pm$3 倍。在某些情况下，U-Net 正确区分了病理学家归类为肿瘤区域中的肿瘤间质与上皮成分。$\bf{结论:}$ U-Net 架构能以使其适用于组织病理学图像肿瘤分割的效率与精度进行图像分割，例如放疗剂量学领域，特别是微观剂量学子领域。