基于深度学习框架的循环染色体异常细胞识别

作者：徐旭; 李从胜; 王祺轩; 范献军; 巫彤宁^*

来源：北京生物医学工程, 2023, 42(06): 551-558.

• 液体活检
• 细胞识别
• 深度学习
• 细胞核分割
• 目标检测

目的 循环染色体异常细胞(circulating genetically abnormal cell, CAC)检测是一种无创或微创、敏感、经济的肿瘤早期诊断方法。荧光原位杂交(fluorescence in situ hybridization, FISH)通过计算荧光探针在细胞核内产生的增益，可以准确地检测CAC中基因异常的繁殖。然而，基于FISH的CAC识别存在细胞核重叠和荧光信号形态多样的问题，人工检测荧光信号是困难的。方法 本研究基于四色荧光原位杂交肺癌图像，针对细胞核和染色信号形态特征提出一种级联细胞核分割网络(cascaded nuclei segmentation network, CACNET)和信号点检测网络(signal detection network, FISHNET)的CAC识别方案。首先使用CACNET对细胞核进行分割获取掩膜，并对应裁剪荧光染色信号图像，然后对单细胞核内的信号点使用FISHNET进行检测，最终对信号点计数并利用临床诊断方法判别细胞。其中，CACNET通过结合注意力机制和边缘约束算法提升重叠细胞核分割效果。FISHNET通过热图回归拟合染色信号形态，并且自定义轻量化目标检测网络提升信号点识别性能。结果 本研究构建44 000细胞核进行模型的训练和测试。测试结果显示，本研究提出的CACNET在细胞核分割上取得92.67%的交并比，FISHNET在信号点检测的平均精度接近98%且模型参数量仅有2.24 M。CAC识别的敏感性和特异性分别为96.52%和99.1%。结论 本研究提出的CAC识别方案是高效且鲁棒的，并且与现有的CAC识别方法相比有一定优势，有助于提高临床肺癌诊断结果的可靠性。

• 单位
  中国信息通信研究院; 珠海圣美生物诊断技术有限公司