學術分享 | 數字病理圖像分析方法的開發( 二 ) _健康小知識

傳統的圖像處理
傳統的圖像處理要明確地定義所涉及的處理操作，這通常從廣泛的既定技術中選取。例如，處理H&E圖像通常從顏色反卷積分離染色開始；這有效地重新組合了每個像素的紅色、綠色和藍色值，使用以染色顏色為特征的加權和。隨后可以進行卷積：一種圖像濾波操作，該操作用相鄰像素的加權和替換每個像素；權值由卷積核定義，不同的核會導致輸出圖像在不同的尺度上突出不同種類的特征(如絲狀結構、邊緣、不同大小的斑點) 。
卷積通常應用于使用不同核的圖像副本，然后通過添加或減去相應的像素重新組合。最終，生成一幅圖像，其中可以通過應用閾值，把與感興趣的結構相對應的像素值從所有其他像素中分離出來，從而生成表示可測量的不同對象的二值圖像。可能需要一些額外的操作(例如非線性濾波、距離或分水嶺變換)來充分分割聚類對象或重新定義邊界。在“數據可用性聲明”部分提供了這些技術概述的鏈接。
數字病理學文獻中有許多各級圖像處理文獻：描述單個操作(例如染色分離的新方法) ，通用任務的操作組合(例如核檢測) ，以及為特定應用設計的完整算法(例如乳腺癌的Ki67評估) 。在每種情況下，處理都是人工操作的、確定的。核心操作可以不斷調整和重組，構建不同的算法，以滿足不同的目的。
機器學習
研發強大的圖像處理算法需要大量的工作和對數據的良好理解。它還需要想象力：開發人員需要注意算法可能會在不可見的圖像、人工制品和異常上失敗。事實上，這永遠不可能完全不出錯：因為不是每個可能出錯的地方都可能被考慮到，而且即使認識到了問題，也很難克服。
如果計算機能通過實例和經驗展現出類似人類的智慧，這就會容易得多。這種人工智能(在一定程度上)可以通過機器學習來訓練一個能對新數據做出有效預測的模型。在這里，我們將專注于監督機器學習，該模型通過使用帶有明確目標的標注數據進行訓練，從而進行預測。這與無監督方法相反，無監督方法可用于在無標注數據中找到集群。
開發數字病理的監督機器學習算法需要相關標注數據的輸入，需要一個能夠從輸入進行預測的模型，以及一個計算預測和標注之間誤差的損失函數。訓練期間的目標是迭代地改進模型，直到預測和標注之間的損失最小化。這個概念非常通用，標注根據手頭的任務采取不同的形式。例如，病理學家標注的區域可能用于為圖像的每個圖塊導出標注數據，并用于訓練新圖像模型，我們將這些新圖像轉換為對象進行定量分析。或者，一張圖像可能有一個單獨的相關標簽——可能是基于病理學家的評估，或其他可用的數據——模型也應該做出單一的預測，例如突變狀態或患者結果。
傳統上來說，機器學習模型基于隨機森林，其支持向量機和邏輯回歸等技術。算法開發人員從圖像中選擇與預測相關的特征，并將其作為模型輸入。這些特征通常是常見的圖像處理操作的結果(例如，帶有預定義核的卷積濾波器) ，盡管它們也可能是由之前在圖像中檢測到的物體確定的(例如，核的大小、形狀和密度) 。因此，雖然仍涉及圖像處理，但開發人員沒有明確定義所有操作；相反，它們通過選擇訓練數據、特征和模型間接地調整算法。
深度學習是指在多個領域中特別強大的機器學習方法的子集。對于成像應用，深度學習模型通常是一種卷積神經網絡(CNN) 。顧名思義，卷積神經網絡也依賴于卷積來生成特征——然而，核本身是在訓練過程中學習的。這對所能取得的成就有著深遠的影響。通過學習數百個這樣的卷積濾波器，并將它們與其他非線性變換和調整大小相結合，深度學習有效地為定義輸入特征打開思路。在實踐中，這使得識別更復雜或微妙的模式成為可能——以需要更多的計算能力為代價。