TshFNA-Examiner: A Nuclei Segmentation and Cancer Assessment Framework for Thyroid Cytology Image

TshFNA-Examiner：甲状腺细胞学图像的核分割和癌症评估框架

柯晶¹，朱俊超²，杨鑫¹，张浩林³，孙宇翔¹，王嘉怡¹，鲁亦舟⁴，沈逸卿⁵，刘晟⁶，蒋伏松⁷，黄琴⁸

（1.上海交通大学 电子信息与电子工程学院，上海200240；2. 上海交通大学 生命科学技术学院，上海200240；3. 上海海洋大学 工程学院，上海 201306；4. 中国科学院上海高等研究院，上海 201210；5. 约翰霍普金斯大学 计算机科学系，美国巴尔的摩 21218；6. 上海市第四人民医院，上海 200434；7. 上海市第六人民医院内分泌代谢科，上海200233；8. 上海市第六人民医院病理科，上海200233）

摘要：通过甲状腺细针穿刺（FNA）可以评估癌症风险，获得预后信息，并指导后续护理或手术。生物检验数字化和深度学习技术推动了计算病理学的发展。然而，目前仍然缺乏，可以与医生基本水平相匹配的，针对复杂细胞病理学图像的系统性诊断系统。研究中，我们设计了一个深度学习框架，用于定量评估甲状腺细针穿刺图像的癌症风险，该框架名为TshFNA-Examiner。在TshFNA-Examiner中，通过细胞核分割神经网络检测与诊断医学信息强相关的细胞密集区域；通过分类神经网络按照报告甲状腺细胞病理学（TBSRTC）系统对细胞级图像子块进行分类，同时使用半监督网络基于未标记数据对分类网络进行增强。研究了从2019年到2022年收集的333例甲状腺细针穿刺样本，分为I到VI级，并完成了像素级和图像级的图像子块标注。通过综合指标和多个任务评估了TshFNA-Examiner，以证明其优于最先进的深度学习方法。细胞区域分割的平均性能达到了0.931 Dice系数和0.871 Jaccard指数。癌症风险分类器按照TBSRTC标准达到了0.959 Macro-F1-score、0.998 Macro-AUC和0.959准确率。通过利用大量未标记数据进行半监督学习，相应的指标可以提高至0.970 Macro-F1-score、0.999 Macro-AUC和0.970 准确率。在临床实践中，TshFNA-Examiner可以帮助细胞学家以便捷方式可视化深度学习网络的输出，以促进最终决策的制定。

关键词：甲状腺细针穿刺细胞病理学，TBSRTC，诊断系统，细胞核分割，癌症风险分类   

点击分享码全文pdf浏览：https://rdcu.be/dWjwp   

Ke, J., Zhu, J., Yang, X. et al. TshFNA-Examiner: A Nuclei Segmentation and Cancer Assessment Framework for Thyroid Cytology Image. J. Shanghai Jiaotong Univ. (Sci.) (2024). https://doi.org/10.1007/s12204-024-2743-y  

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204