医学高光谱显微成像与智能分析关键技术研究及应用-莱森光学-电子发烧友网

引言

恶性肿瘤（癌症）一直是危害人类健康最严重的疾病，也是造成我国居民死亡的主要原因之一。由于环境污染、食品安全和不健康的生活方法等因素，恶性肿瘤患者逐年增加，并呈现发病低龄化的趋势。

数字病理图像的拍摄大多依赖于Red-Green-Blue（RGB）彩色相机。然而，传统RGB图像因缺少结构、分子和光谱等关于生物细胞组织的多维度、多模态信息，已逐渐触及智能病理诊断的短板，使得研究和开发人员需要花费大量时间开发复杂的图像处理分析算法，以此满足对数字病理图像高精准分析的需求。近年来，人们开始探索将高光谱技术应用于医学显微成像分析领域，通过获取丰富的信息缓解分析算法复杂、难以部署等问题。高光谱技术最初应用于遥感领域，相比于RGB彩色图像，高光谱成像技术通过纳米级别的成像光谱仪，可获得拍摄目标的上百个波段图像，是一种将二维空间成像和光谱技术有机结合的前沿技术。因为其包括了丰富的空间信息、辐射信息与光谱信息，高光谱机器视觉技术随后在众多领域展示出了巨大的研究应用价值。

高光谱显微图像分析处理方法

病理切片图像可以被分为细胞学图像和组织学图像，因为细胞和组织病理图像是两个层次的形态学特征。细胞学图像包含细胞本身的信息，组织病理学图像含有更复杂的空间和不同成分的相互关系等信息，因此二者对处理分析算法有不同的要求。

细胞学图像检测与分割

只有在正常检测和分割细胞的基础上，结合病理学图像信息才能做出正确的诊断。相较于基于传统彩色图像的细胞检测与分割只能对空间位置关系进行建模分析，高光谱病理图像的细胞检测分割可以充分利用光谱信息，因此大部分细胞检测分割的任务可以转化为对每个像素的分类任务，如图5所示。参见的方法包括支持向量机（SupportVectorMachine，SVM）、光谱角度匹配（SpectralAngleMapping，SAM）、k-均值算法（k-means）、神经网络（NeuralNetwork,NN）等。此外，结合图像空间信息，如细胞边界等，可进一步提高细胞分割效果。

细胞学病理图像分割中输入的光谱信息与分割结果

组织学图像分类与分级

组织区域病理分类与分级是病理切片分析中最重要的任务之一，尽管SVM、SAM等分类算法也同样能适用于该任务，但组织区域图像通常包括了大量正常细胞与癌变细胞，只使用光谱信息难以达到精准的分类与分级效果。研究人员更倾向于采用能提取空间-光谱联合特征的算法实现显微高光谱图像的分类。近年来，随着深度学习的发展，3D卷积神经网络可直接对输入的组织学高光谱图像进行特征提取，随后将提取到的高维抽象特征映射到可区分类别空间，如图6所示。此类方法在一系列任务上取得了优异的结果。例如肺癌、胆管癌组织病理图像的分类与分级。

基于3D卷积神经网络的组织学病理图像分类

高光谱显微图像在疾病诊断中的研究与应用进展

病理图像分析是临床疾病诊断的“金标准”，结合高光谱病理数字化图像，可提高医师对病变组织器官的深层次分析的效率和准确率，在疾病诊断上具有重大的应用潜力。

医学高光谱技术从21世纪初开始发展，美国德州大学在2002年基于高光谱成像的细胞遗传研究计划中，研制了高光谱显微系统用于细胞学和组织学研究。Balas等通过快照式光谱成像系统对宫颈口病变区域进行成像研究，有效地提高了宫颈肿瘤性病变和非肿瘤性病变组织的分类效果。Siddiqi等采集了宫颈病理组织切片的显微高光谱数据，对20个恶性肿瘤的组织分类灵敏度达到了98.5%。美国埃默里大学Fei教授构建了基于LCTF高光谱成像仪器（光谱范围500～950nm）观察前列腺癌变组织与正常组织，通过支持向量机（SupportVectorMachine，SVM）分类器实现了癌变组织92.8%灵敏性与96.9%特异性的分类效果。针对乳腺癌症检测，Pogue等通过核估计方法对癌变组织的高光谱图像进行分类，准确率达98%。Laura等在乳腺癌高光谱图像上验证了多种分类算法，并最后取得了79%的准确率。Silas等评估了使用点扫描高光谱成像仪测量了结肠腺癌的荧光激发光谱变化。结果表明，高光谱成像可成为区分结肠腺癌细胞和周围正常结肠黏膜细胞的一种方法。Mauro设计基于微电子机械系统的数字微镜高光谱成像系统，用于观察结肠腺正常和癌变黏膜之间的光谱差异，能够显示97.1%的分类准确率。暨南大学Zhu等采用液晶可调谐滤波器对胃组织切片的光谱信息进行分析，对癌变组织分类准确率达95%。Kiyotoki等对16组胃癌的肿瘤组织区域和正常区域进行了成像分析。