基于深度学习的显微图像计算机辅助诊断

根据世界卫生组织发布的报告,全球疟疾、结核病的发病率仍高居不下.手动显微镜检查厚薄载玻片和痰涂片是疟疾和结核病诊断的重要手段,这种方法的缺点之一是高度依赖医学检验师,容易出现主观误判.在低收入和发展中国家的偏远地区高技能实验室人员缺乏,加上显微图像中疟原虫和结核杆菌存在形状多变、体积较小和某些细胞体不确定等因素,导致疟原虫和结核杆菌检测困难.本文提出一种基于Faster R-CNN的改进算法,用于从显微图像中自动筛选疟原虫和结核杆菌.首先在原始Faster R-CNN框架上加入卷积滤波器层,采用深度残差网络提取特征,来提升模型的检测性能,然后评估改进后的模型在2种不同显微任务上的性能:在厚血涂片疟疾显微图像数据集上AP值达到94.55％,在痰涂片结核病显微图像数据集上AP值为97.96％,比原始Faster R-CNN模型提升了7.40个百分点和8.04个百分点.结果表明,修改后Faster R-CNN模型可以从智能手机的显微镜目镜上捕获的图像中检测疟疾寄生虫和结核杆菌位点,减少手动显微镜检查的依赖,辅助研究人员诊断,表明该模型适合部署在资源匮乏的地区.