基于深度学习的图像处理在光学显微镜中的好处和应用
发布时间：2023-03-31 08:00:00 阅读数： 21
光学显微镜已被采纳为许多不同领域的主要技术之一。从组织学和医学诊断到材料分析，光学显微镜的放大能力促进了对肉眼无法看到的微观结构的巨大洞察力。
组织学的发展--对组织及其结构的研究--始于光学显微镜的发展，它使人们第一次看到这些复杂的结构。1 现在，组织学或组织病理学--对受疾病影响的组织的研究--是医学实验室最有用的诊断工具之一。
光学显微镜是一种用于疾病诊断的高度通用的成像方法。它与许多组织类型兼容，样品制备相当普遍，不需要荧光显微镜所需的通常是高度特异的荧光团。
光学显微镜的样品制备相对简单。它需要对样品进行切片和染色，并使用特定的染色剂来突出组织中的某些特征。这可以帮助识别组织的不同区域并简化诊断。
图像分析
在做出临床决定时，时间是最重要的，这意味着分析的周转时间需要尽可能短。因此，开发高通量方法对繁忙的医院实验室非常有吸引力，这些实验室可能每天需要处理成千上万的样本。
人们对开发光学显微镜方法的高通量变体产生了极大的兴趣，既包括非常标准的光学显微镜，也包括该技术的变体，如非线性光学显微镜3。
提高样品产量的一些设计方面包括样品装载机和先进的自动对焦系统，以减少更换样品之间的停机时间。光学显微镜系统的更大程度的自动化也可以帮助实现更大的样品吞吐量。
然而，光学显微镜的另一个重要瓶颈是人类处理图像的时间。在组织病理学中，组织结构的变形或异常被用来诊断有关的疾病。
诊断的准确性在很大程度上取决于分析者的技能以及样本准备和保存的质量。需要人工检查图像意味着不可能实现完全自动化的工作流程，并给样本处理带来瓶颈。
为了实现完全自动化和按需分析，提高医院实验室的吞吐量，人们对采用机器辅助或完全计算机化的图像诊断产生了极大的兴趣。组织的变化通常与疾病有关，并且对诊断非常明确，以至于组织病理学被认为是癌症诊断的 "黄金标准"。
深度学习
虽然在通过使用自动图像处理来提高医疗诊断的效率和潜在的准确性方面有很大的动力，但仍有一些挑战需要解决。其中之一是所产生的数据量。5这意味着数据需要大量的存储，而且往往需要采取数据缩减步骤，使数据集达到可管理的大小，以便进行分析和处理。
自动图像分析已经成功地应用于从一些光学显微镜技术获得的图像，包括定量相显微镜。6 深度学习模型使用图像的训练数据集来学习特定疾病的特征组织学标记。一旦模型经过训练，它就可以根据这些特征的存在与否等标准对图像进行分类。
训练数据集的质量和规模是深度学习算法的一个关键问题。如果数据集太小，模型的过度拟合和通用性差就会成为一个问题，并影响准确性；训练集的扩大是通过重新使用相同的图像，但经过一些处理，如旋转。
与其他机器学习方法相比，深度学习方法对训练数据集的大小要求特别高，但卷积神经网络（CNN）等方法往往拥有更好的重要特征提取，提高了其准确性。
现在有一些模型达到了90%以上的灵敏度和85%的特异性，即使是在智能手机上拍摄的显微镜图像，也显示了这种方法对光学显微镜图像分析的前景。
用于图像处理的深度学习将是提供医疗点诊断的重要一步，可以在快速的周转时间内提供诊断信息，而且不需要有经验的临床医生。除了加快诊断时间外，在医疗领域向人工智能发展的主要好处之一是，临床医生的技能水平不再是成功诊断的因素。如果图像中存在模糊之处，意味着深度学习方法无法做出明确的诊断，那么这些图像就可以被标记为人工处理。
参考信息
- Hussein, I. H., & Raad, M. (2015). Once Upon a Microscopic Slide: The Story of Histology. Journal of Cytology & Histology, 06(06). https://doi.org/10.4172/2157-7099.1000377
- Musumeci, G. (2014). Past, present and future: overview on histology and histopathology. Journal of Histology and Histopathology, 1(1), 5. https://doi.org/10.7243/2055-091x-1-5
- So, P. T. C., Yew, E. Y. S., & Rowlands, C. (2013). High-Throughput Nonlinear Optical Microscopy. Biophysical Journal, 105(12), 2641–2654. https://doi.org/10.1016/j.bpj.2013.08.051
- Yanase, J., & Triantaphyllou, E. (2019). A systematic survey of computer-aided diagnosis in medicine: Past and present developments. Expert Systems with Applications, 138, 112821. https://doi.org/10.1016/j.eswa.2019.112821
- 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. https://doi.org/10.1186/s12859-017-1685-x
- Kaniyala, S., Dharshini, M., Shweta, G., Anirudh, C., & Kashyap, A. (2022). Deep learning-based image processing in optical microscopy. Biophysical Reviews, 463–481. https://doi.org/10.1007/s12551-022-00949-3
作者
