基于深度學(xué)習(xí)的圖像處理在光學(xué)顯微鏡中的好處和應(yīng)用

光學(xué)顯微鏡已被采納為許多不同領(lǐng)域的主要技術(shù)之一。從組織學(xué)和醫(yī)學(xué)診斷到材料分析，光學(xué)顯微鏡的放大能力促進了對肉眼無法看到的微觀結(jié)構(gòu)的巨大洞察力。

組織學(xué)的發(fā)展--對組織及其結(jié)構(gòu)的研究--始于光學(xué)顯微鏡的發(fā)展，它使人們第一次看到這些復(fù)雜的結(jié)構(gòu)。1 現(xiàn)在，組織學(xué)或組織病理學(xué)--對受疾病影響的組織的研究--是醫(yī)學(xué)實驗室最有用的診斷工具之一。

光學(xué)顯微鏡是一種用于疾病診斷的高度通用的成像方法。它與許多組織類型兼容，樣品制備相當普遍，不需要熒光顯微鏡所需的通常是高度特異的熒光團。

光學(xué)顯微鏡的樣品制備相對簡單。它需要對樣品進行切片和染色，并使用特定的染色劑來突出組織中的某些特征。這可以幫助識別組織的不同區(qū)域并簡化診斷。

圖像分析

在做出臨床決定時，時間是最重要的，這意味著分析的周轉(zhuǎn)時間需要盡可能短。因此，開發(fā)高通量方法對繁忙的醫(yī)院實驗室非常有吸引力，這些實驗室可能每天需要處理成千上萬的樣本。

人們對開發(fā)光學(xué)顯微鏡方法的高通量變體產(chǎn)生了極大的興趣，既包括非常標準的光學(xué)顯微鏡，也包括該技術(shù)的變體，如非線性光學(xué)顯微鏡3。

提高樣品產(chǎn)量的一些設(shè)計方面包括樣品裝載機和先進的自動對焦系統(tǒng)，以減少更換樣品之間的停機時間。光學(xué)顯微鏡系統(tǒng)的更大程度的自動化也可以幫助實現(xiàn)更大的樣品吞吐量。

然而，光學(xué)顯微鏡的另一個重要瓶頸是人類處理圖像的時間。在組織病理學(xué)中，組織結(jié)構(gòu)的變形或異常被用來診斷有關(guān)的疾病。

診斷的準確性在很大程度上取決于分析者的技能以及樣本準備和保存的質(zhì)量。需要人工檢查圖像意味著不可能實現(xiàn)完全自動化的工作流程，并給樣本處理帶來瓶頸。

為了實現(xiàn)完全自動化和按需分析，提高醫(yī)院實驗室的吞吐量，人們對采用機器輔助或完全計算機化的圖像診斷產(chǎn)生了極大的興趣。組織的變化通常與疾病有關(guān)，并且對診斷非常明確，以至于組織病理學(xué)被認為是癌癥診斷的 "黃金標準"。

深度學(xué)習(xí)

雖然在通過使用自動圖像處理來提高醫(yī)療診斷的效率和潛在的準確性方面有很大的動力，但仍有一些挑戰(zhàn)需要解決。其中之一是所產(chǎn)生的數(shù)據(jù)量。5這意味著數(shù)據(jù)需要大量的存儲，而且往往需要采取數(shù)據(jù)縮減步驟，使數(shù)據(jù)集達到可管理的大小，以便進行分析和處理。

自動圖像分析已經(jīng)成功地應(yīng)用于從一些光學(xué)顯微鏡技術(shù)獲得的圖像，包括定量相顯微鏡。6 深度學(xué)習(xí)模型使用圖像的訓(xùn)練數(shù)據(jù)集來學(xué)習(xí)特定疾病的特征組織學(xué)標記。一旦模型經(jīng)過訓(xùn)練，它就可以根據(jù)這些特征的存在與否等標準對圖像進行分類。

訓(xùn)練數(shù)據(jù)集的質(zhì)量和規(guī)模是深度學(xué)習(xí)算法的一個關(guān)鍵問題。如果數(shù)據(jù)集太小，模型的過度擬合和通用性差就會成為一個問題，并影響準確性；訓(xùn)練集的擴大是通過重新使用相同的圖像，但經(jīng)過一些處理，如旋轉(zhuǎn)。

與其他機器學(xué)習(xí)方法相比，深度學(xué)習(xí)方法對訓(xùn)練數(shù)據(jù)集的大小要求特別高，但卷積神經(jīng)網(wǎng)絡(luò)（CNN）等方法往往擁有更好的重要特征提取，提高了其準確性。

現(xiàn)在有一些模型達到了90%以上的靈敏度和85%的特異性，即使是在智能手機上拍攝的顯微鏡圖像，也顯示了這種方法對光學(xué)顯微鏡圖像分析的前景。

用于圖像處理的深度學(xué)習(xí)將是提供醫(yī)療點診斷的重要一步，可以在快速的周轉(zhuǎn)時間內(nèi)提供診斷信息，而且不需要有經(jīng)驗的臨床醫(yī)生。除了加快診斷時間外，在醫(yī)療領(lǐng)域向人工智能發(fā)展的主要好處之一是，臨床醫(yī)生的技能水平不再是成功診斷的因素。如果圖像中存在模糊之處，意味著深度學(xué)習(xí)方法無法做出明確的診斷，那么這些圖像就可以被標記為人工處理。

參考信息

Hussein, I. H., & Raad, M. (2015). Once Upon a Microscopic Slide: The Story of Histology. Journal of Cytology & Histology, 06(06). Musumeci, G. (2014). Past, present and future: overview on histology and histopathology. Journal of Histology and Histopathology, 1(1), 5. So, P. T. C., Yew, E. Y. S., & Rowlands, C. (2013). High-Throughput Nonlinear Optical Microscopy. Biophysical Journal, 105(12), 2641–2654. Yanase, J., & Triantaphyllou, E. (2019). A systematic survey of computer-aided diagnosis in medicine: Past and present developments. Expert Systems with Applications, 138, 112821. Xu, Y., Jia, Z., Wang, L., Ai, Y., Zhang, F., Lai, M., & Chang, E. I. (2017). Large scale tissue histopathology image classification, segmentation, and visualization via deep convolutional activation features. BMC Bioinformatics, 18, 281. Kaniyala, S., Dharshini, M., Shweta, G., Anirudh, C., & Kashyap, A. (2022). Deep learning-based image processing in optical microscopy. Biophysical Reviews, 463–481.

作者

Rebecca Ingle, Ph.D