在大型多尺度图像中选择癌症病理学的感兴趣区域

近期使用卷积神经网络（CNNs）在目标检测与图像分类上的突破正在革新医学成像领域的现有技术，其中显微镜图像尤其为计算机视觉算法提供了大量机会，以辅助医疗专业人员诊断从疟疾到癌症的疾病。称为全切片图像（WSIs）的显微镜幻灯片高分辨率扫描提供了足够的信息，使癌症病理学家能够基于多尺度和多分辨率下幻灯片图像内特征的测量，就癌症的存在、亚型与严重程度得出结论。WSIs 的极高分辨率以及从大体解剖结构到细胞核的特征尺度，排除了使用标准 CNN 模型进行目标检测与分类的可能，后者通常设计用于尺寸为数百像素且目标大小与图像本身相当的图像。我们探索了基于强化学习和集束搜索（Beam Search）的并行方法，以学习逐步放大 WSI 来检测含有两类肝癌之一的肝脏病理学幻灯片中的感兴趣区域（ROIs），即肝细胞癌（HCC）和胆管癌（CC）。这些 ROIs 随后可直接呈现给病理学家以辅助测量与诊断，或用于肿瘤亚型的自动分类。