通过使用基于深度学习的语义细分,从CD-31免疫组织化学图像的乳腺癌中量化瘤血管环境

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 癌症研究 癌症研究

背景情况:

• 来自CD-31免疫组织化学 (IHC) 的瘤血管密度在乳腺癌中具有预后价值.
• 目前的手动方法耗时,并且观察者之间具有很高的可变性.
• 现有的方法难以描述复杂的瘤血管形态学.

研究的目的:

• 开发一种自动化方法,从CD-31 IHC图像中测量各种血管参数.
• 为提供瘤血管形态的详细描述.
• 为了研究血管,组织类型和乳腺癌的临床参数之间的关系.

主要方法:

• 利用基于U-Net的卷积神经网络对血管结构和瘤区域进行细分.
• 在27名患者的36张整片图像上训练并验证了模型.
• 应用该模型对各种组织类型进行细分,并分析了血管参数和临床数据之间的关系.

主要成果:

• 在船舶细分 (Dice分数为0.875,0.856) 和识别 (F1分数为0.777,0.748) 方面取得了高准确性.
• 证明了自动化血管参数和手动地面真相测量之间的强烈和显著的相关性.
• 在血管延长 (大/小轴比) 和瘤等级之间发现了显著的关系.

结论:

• 拟议的自动化方法是研究瘤血管及其相互作用的有希望的工具.
• 与瘤等级的相关性强调了该方法的临床相关性.
• 这种方法对提高预后评估和个性化乳腺癌治疗有潜在的影响.