目前，深度学习技术在病理图像分析上的应用日渐深入，但是大多数的深度学习模型仅能针对训练集处于同一分布（域）的数据，而对于训练集处于不同分布的数据的泛化能力较差。这样的「域偏移」（domain shift）问题在数字病理分析中经常出现。
针对该问题，衡道病理联合深圳大学、英国诺丁汉大学展开研究，提出了首个针对病理跨染色图像分割的深度学习模型。相关科研成果发表在顶级医学影像国际会议MICCAI 2019上。
作为推动本次人工智能热潮的核心技术，深度学习已经在各个领域表现出了优异的结果。在医疗图像领域，深度学习可以被用来识别与分割CT或MRI图像中的器官或病灶，内窥镜图像中的息肉或出血，以及病理图像中的肿瘤区域、腺体或细胞等。
但是，大多数的深度学习模型仅能针对训练集处于同一分布（域）的数据，而对于训练集处于不同分布的数据的泛化能力较差。这样的「域偏移」（domain shift）问题在数字病理分析中经常出现。比如，H&E染色图像与免疫组化图像有明显的视觉差异。使用H&E染色图像训练开发的腺体分割模型，在DAB-H染色的免疫组化图像上的表现会非常差。虽然，我们仍然可以通过对新数据添加标注，并适当微调以达到预期的性能；但对于病理图片数据来说，标注是非常耗时且昂贵的。因此，设计在不需要额外标注的情况下就能在别的域工作的算法，是一项非常有意义的工作。近期，我们针对跨染色的分割问题，提出了一种具有双域适应（domain adaptation）模块的金字塔型网络模型DAPNet（Dual Adaptive Pyramid Network）。我们利用源域（source domain）病理图像的标签信息，实现了目标域（target domain）病理图像的腺体分割。模型包含了一个语义分割网络G，以及图像级别与特征级别两个对抗训练模块Dimg和Dfeat（如下图所示）。在训练时，两个域中的原图输入语义分割网络G中，原域中的图像和其对应的标签用来优化语义分割模型，两个域中的输入图像通过对抗学习的方式去优化域迁移。分割网络包含一个用来做编码工作的基础网络resnet-18，一个用来增大感受视野的金字塔池化模块（Pyramid Pooling Module, PPM），以及一个与编码器空间尺度对称的解码器。金字塔池化模块设置于编码器之后。编解码器通过跳连结构连接，达成最终的图像分割。图像级别的域适应模块Dimg针对源域和目标域之间的总体差异，如图像的颜色和样式；而特征级别的域适应模块Dfeat则解决两个域的特征空间的不一致问题。Dimg 外接在PPM模块之后，而Dfeat的输入则是解码器各尺度的特征融合。两个域适应模块均采用对抗训练策略来学习域不变特征。我们使用Warwick-QU和GlandVision两个数据集对模型进行测试。试验结果表明，我们所提出的两个域适应模块可以有效地缩小源域与目标域之前的差异。我们的模型在提高目标域图像上分割性能的同时，不会影响源域图像的结果。此外，我们对比目前最先进的三种无监督域适应方法（CycleGAN、CyCADA 和 AdaptSeg），DAPNet在分割准确度上有着明显的优势。该技术我们已经总结发表在2019年国际会议MICCAI上。据了解，我们提出的DAPNet是第一个针对病理跨染色图像分割的深度学习模型。此方法在训练时并不需要目标域图像的标签信息，减少了对数据标注的依赖，可以提升分割神经网络在无标记的新图像的分割精度，为计算机辅助诊断等提供技术支持；并且实用性强，有着较强的推广与应用价值。
论文作者：刘净心博士
（衡道病理「医疗大数据与人工智能研发中心」
技术总监）
参考文献：
Xianxu Hou; Jingxin Liu; Bolei Xu; BozhiLiu; Xin Chen; Mohammad Ilyas; Ian Ellis; Jon Garibaldi; Guoping Qiu. "Dual Adaptive Pyramid Network for Cross-Stain Histopathology ImageSegmentation." International Conference on Medical Image Computingand Computer-Assisted Intervention. Springer, Cham, 2019.
欢迎个人形式转发，谢绝媒体、网站等未经允许以任何形式转载至其他平台；如需转载请提前联系本公众号，并在文首注明「来源：衡道病理」。
