宫颈癌是全球范围内威胁女性健康的重大疾病之一,特别是在欠发达地区有较多的新发病例和死亡病例,给社会和家庭带来了严重危害。作为世界卫生组织建议开展筛查的重大疾病,大范围的早期筛查可大幅降低宫颈癌的发病率和死亡率,并且早期发现对宫颈癌治疗具有重大意义。临床宫颈癌早期筛查方法主要包括HPV检测和细胞学检测,存在一定的局限性,比如细胞学检查高度依赖病理医师的经验判断,HPV检测特异性较低。二维(2D)光散射技术可以反应细胞内部结构和成分的变化,是一种简便、快速、免标记的非侵入单细胞分析方法。近年来,以深度学习为主的人工智能技术在医学图像的分析应用中取得了显著效果。多模态信息的整合应用也成为医学决策分析中的热点。以2D光散射技术为基础,拓展多模态成像方法,融合深度学习技术,预期可以为宫颈癌无标记智能检测分析提供新的方法与思路。本文旨在探究基于2D光散射的深度学习和多模态成像技术在宫颈细胞分析中的应用。论文主要围绕2D光散射技术对宫颈细胞的无标记检测,selleck产品将2D光散射单细胞检测技术与深度学习、特征工程、多模态、可解释性人工智能技术genetic mutation结合,实现了对宫颈细胞的无标记快速检测分析,具有自动、简便、非侵入性的优点。本文的主要研究内容和创新点归纳如下:(1)探究了深度学习与静态单细胞2D光散射实验装置的集成系统及其宫颈细胞分析应用。首先设计了用于单个宫颈细胞分析的光散射图样特定深度卷积网络作为特征提取器,与2D光散射细胞术集成,并结合机器学习分类器对不同类型的宫颈单细胞进行无标记分类。该系统实现了无标记的宫颈癌细胞和正常细胞的分类、两种宫颈癌细胞系亚型的分类,以及宫颈细胞的三分类工作,获得了较高的准确率。最后对比了深度学习提取的特征与传统特征描述符提取的特征,可视化地展示了深度网络特征更好的聚类趋势,说明了自动提取的深度特征在分类任务中的优越性。(2)探究了多模态图像的对比分析和宫颈癌前细胞的无标记检测。在前期工作的基础上,进一步开发单细胞检测装置,使得该系统可以逐步获取宫颈癌前细胞H8和宫颈癌细胞HeLa的明场图像、荧光图像和2D光散射图样,并采用多种特征提取方法对多模态数据进行对比分析和无标记检测。对明场图像和荧光图像,提取形态特征和纹理特征,使用统计学方法进行分析和机器学习方法进行分类,证明了线粒体作为细胞内生物检测指标用于宫颈癌细胞分类的潜力。对于无标记2D光散射图样,使用深度学习网络从中提取深度特征进行更具挑战性的宫颈癌前细胞分类,展示深度学习提取的特征具有更优越的分类效果,并且结果更自动化、更具稳定性,为实现自动化宫颈细胞检测带来希望。最后,探讨了深度学习网络参数对分类结果的影响,帮助研究人员更好地研究深度学习网络结构优化和宫颈细胞数据集的问题。(3)探究了无标记双模态图像的融合与解释及其宫颈细胞分析应用。设计并报告了一个双模态多种特征融合的网络,对不同类型的单个宫颈细胞进行无标记分类并提供解释性的分析。首先将这种双模态融合的单细胞检测网络应用于C-33A、CaSki和正常宫颈细胞的三分类,将细胞的暗场图像和2D光散射图像模态特征融合,得到双模态的分类结果,并与单模态结果比较。接着,将其应用于更高挑战的宫颈癌前细胞H8和宫颈癌细胞HeLa分类,将细胞的明场图像和2D光散射图像模态特征融合,提D-Lin-MC3-DMA临床试验升了分类结果;同时,使用相关工具对双模态特征进行可解释性分析,展现了双模态图像中纹理特征的关注点,并对深度特征的提取提供指导分析,为细胞光散射机制研究提供帮助,促进对宫颈癌相关机制和疾病的进一步理解和研究。