基于深度学习框架的循环染色体异常细胞识别

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...