肾透明细胞癌数字病理图像细胞核ISUP分级预测

针对全切片数字病理图像中的肾透明细胞癌进行精准的细胞核分级并改善肾癌的治疗和预后,提出了一种基于多尺度通道信息拼接与融合残差网络的ccRCC病理图像国际泌尿病理学会核分级方法。通过多尺度通道信息拼接将不同阶段的语义信息进行融合,从而在不损失深度信息的同时提取更多的浅层特征,实现更准确的分类效果。实验收集了90例病人的肾组织病理切片,对WSI图像进行裁切和增强后,按照4∶1的比例分成训练集和测试集。在训练集上对CSFNet卷积神经网络模型参数进行迭代优化,并在测试集上验证模型性能。实验结果表明,提出的CSFNet模型鉴别ISUPⅠ级、ISUPⅡ级、ISUPⅢ级和正常病理图像的宏平均AUC与微平均AUC分别为0.975 8和0.979 4,准确率为88.00%,精确率为88.36%,召回率为86.67%,F1分数为87.32%,且优于其他主流的分类网络模型,因此,本文所提出的肾透明细胞癌病理图像ISUP细胞核分级模型有良好的诊断效能,具有潜在的临床应用价值。

Prediction of nuclear ISUP grading in digital histopathological images of renal clear cell carcinoma