从像素到全切片图像：基于表示学习的偏振模态病理诊断

甲状腺癌是最常见的内分泌恶性肿瘤，准确区分甲状腺肿瘤的良恶性对于临床制定有效治疗方案至关重要。在病理学上，由于标本取样不当，甲状腺肿瘤的诊断面临挑战。在本研究中，我们设计了一个三阶段模型，利用表示学习整合像素级和切片级标注来区分甲状腺肿瘤。该结构包括一个病理结构识别方法，用于预测与甲状腺肿瘤相关的结构；一个编码器-解码器网络，通过学习图像块的特征表示来提取像素级标注信息；以及一个基于注意力的学习机制用于最终分类任务。该机制学习病理区域中不同图像块的重要性，全局考虑每个块的信息。在第三阶段，通过注意力机制聚合一个区域内所有图像块的信息，然后进行分类以确定该区域的类别。实验结果表明，我们提出的方法能够更准确地预测微观结构。经过颜色编码后，该方法在未染色的病理切片上取得了接近苏木精-伊红染色质量的结果，减少了对染色病理切片的依赖。此外，通过利用间接测量的概念并从与病变相关的结构中提取偏振特征，所提出的方法还能够对无法通过取样获得膜结构的样本进行分类，为甲状腺肿瘤提供了一种潜在的客观且高精度的间接诊断技术。