研究室论文《基于正则化U-net分割模型的脑胶质瘤精准密度估计方法》被《生物化学与生物物理进展》录用。
在基于病理切片的脑胶质瘤临床诊断中，细胞核密度估计是最关键的任务之一。脑胶质瘤密度估计通常高度依赖细胞核的分割效果，而细胞核的形态多样性与染色差异性易导致语义分割模型的过拟合，最终带来密度估计误差而影响临床决策。鉴于此，本研究提出U-net+DropBlock分割模型驱动的细胞核密度估计方法，通过提升模型的泛化性以降低过拟合风险，获得精确的细胞核密度估计。首先，对脑胶质瘤的全切片图像（whole slice image，WSI）进行预处理，包括数据清洗、数据增强、颜色正则化、金标准确立等。其次，利用脑胶质瘤全切片的补丁图像，构建引入DropBlock正则化模块的U-net领域分割模型，称为U-net+DropBlock模型。特别是，DropBlock模块通过随机丢弃特征图中的区域信息，能够削弱特征间的过度空间相关性，以降低分割模型的过拟合风险。最后，对各补丁图像中的细胞核分割结果进行密度计算与可视化，以形成全切片范围的密度热力图。与最先进的细胞核领域分割模型相比，采用的U-net+DropBlock模型可获得更优的分割性能，确保提出的密度估计方法的准确性。提出的全域化细胞核密度估计方法，可助力脑胶质瘤临床诊疗的精准化和高效化发展。
图 核密度估算方法的总体框架