研究进展：全偏振显微成像的数字病理技术

病理学检查在临床医学中占据着举足轻重的地位，是许多疾病诊断的核心依据，被誉为诊断的金标准。传统的病理学检查流程存在明显弊端，医生的诊断过程具有较强的主观性，其判断结果易受个人训练水平、工作经验以及现场状态等多种因素影响。

随着信息技术的飞速发展，数字病理系统应运而生，旨在克服传统病理学检查的局限性。该系统具备三项核心功能：病理样本数字化、病变特征数字化和人工智能辅助诊断。

偏振成像作为光学成像领域的新兴技术，正迅速发展并展现出独特优势。全偏振成像利用4个分量的全偏振光照明和检测，可获得包含丰富信息的全偏振图像，其缪勒矩阵能完备描述样本偏振特征，涵盖散射颗粒和间质的多种光学参数及几何特征信息，信息量远超普通非偏振图像，且在单像素和图像层次隐藏样本特征，有助于提升对生物组织物理特征的表征和评估能力。此外，全偏振成像不依赖染色、无损伤，适用于各类样本，在数字病理技术中展现出独特优势和应用潜力。

清华大学深圳国际研究生院姚悦团队发表综述文章，介绍了全偏振显微成像技术，并结合临床应用总结了现有偏振特征提取方法和最新进展，包括基于监督学习的偏振像素与图像特征提取方法、基于无监督学习的偏振像素聚类，以及偏振超像素和偏振特征模板扩展标注方法。

一、缪勒成像基础知识

偏振是光的基本属性之一。任意光的偏振态可用斯托克斯矢量表达，其由总光强、水平和垂直线偏振分量强度差、方向线偏振分量强度差以及右旋和左旋圆偏分量强度差四个光强量组成。

在缪勒显微成像中，常用斯托克斯矢量-缪勒矩阵表示法描述光的偏振态及其变化，其中斯托克斯矢量描述光的偏振态，缪勒矩阵描述介质的偏振光学特性，通过计算与样本作用后的出射光偏振态。

二、缪勒显微镜

缪勒矩阵测量需改变入射光偏振态，记录散射光不同偏振分量，通过至少16个偏振分量计算缪勒矩阵的16个阵元。可在显微镜照明光路加入起偏器、散射光成像光路加入检偏器获取偏振分量图像，不同起偏器、检偏器和探测器模块组合形成不同缪勒成像方法，不同配置对应不同误差传递规律，需优化降噪校准。

多种缪勒显微镜已被研发，如Oldenbourg引入电控液晶相位延迟器的装置、Gribble使用双光弹搭建的装置、Arteaga设计的全偏振缪勒矩阵显微成像装置，本团队也基于国产商业显微镜发展了系列模块化缪勒显微镜，包括透射正置、透射倒置和背反式，可用于不同类型样本。

基于双旋转波片的缪勒显微镜通过记录30个偏振分量图像计算缪勒矩阵阵元，基于双线偏振相机的缪勒显微镜可实现全偏振态实时测量与快速成像，成像速度可达1frame/s且有望提升，针对标准样本缪勒阵元误差小，对病理切片样本成像信噪比高。

三、偏振参数及其图像

缪勒矩阵阵元与样本特征联系不直观，物理可解释性差且受样本方位角影响，因此从阵元推导偏振参数。其中，Lu-Chipman 提出的缪勒矩阵极化分解（MMPD）参数应用广泛，将缪勒矩阵分解为代表相位延迟、二向色性和散射退偏的三个基本子矩阵，经代数运算获具有明确物理意义的偏振参数。但矩阵相乘受排列顺序影响，不同分解顺序导致参数值不同，生物组织研究中多数采用分解顺序获取偏振参数。

部分偏振参数对样本旋转角不敏感，众多偏振参数可形成偏振图像，清晰凸显微观结构空间分布特征。例如，退偏相关参数可凸显乳腺癌组织细胞核结构，相位延迟相关参数可凸显纤维结构。偏振成像能获取超分辨尺度结构信息，对组织微观结构和生物动态过程研究意义重大，且这些信息难用现有临床病理成像方法获取，偏振成像可用于生物组织特征表征和细分。

乳腺癌组织的偏振参数图像

一、基于监督学习的方法

全偏振显微图像含丰富病理组织微观结构信息，但从16维缪勒矩阵数据提取偏振特征并识别组织结构特征是偏振技术应用于病理诊断的关键挑战。近年来，许多课题组探索偏振数字病理在临床诊断中的应用，通过机器学习提取病变组织偏振特征，辅助医生提升诊断和预后评估准确率与效率。

该方法从像素或图像角度出发，利用多种监督学习方法（如随机森林、多层感知机、主成分分析、逻辑回归、线性判别模型等）对医生标记病变区域内偏振像素分类或提取偏振图像特征。例如，Luu等用机器学习分类器对皮肤癌组织缪勒阵元像素分类，准确率达93%；Ivanov等用主成分分析等对结肠组织偏振参数像素分类，准确率97%；Dong等将缪勒阵元和偏振参数组合成偏振基底参数，筛选出敏感偏振特征参数，用于识别乳腺癌组织微观结构，准确率82%-91%，还提出双模态模型用于宫颈癌前病变特征识别，准确率达90%。

从偏振图像角度，利用深度学习（如卷积神经网络）或图像组学技术提取特征，如Roa等用卷积神经网络和K-nearest neighbor对偏振基底参数图像分类，辅助宫颈研究；McKinley等结合卷积神经网络与机器学习算法提取特征，用于识别脑肿瘤组织白质纤维束；Yao等用多种方法对子宫内膜偏振参数图像特征识别，卷积神经网络识别准确率最高；Chen等研究融合网络用于识别多种癌变数据，准确率较高，且偏振在小样本量时有辅助诊断优势。然而，监督学习需大量精确标注样本，获取高质量标注数据耗时费力，且标注质量受多种因素影响，限制了监督学习方法的效果。

双模态模型提取宫颈癌前病变像素偏振特征

二、无监督学习与偏振像素聚类

生物组织复杂，监督学习获取标注数据困难且易过拟合。无监督学习无需预先标注训练数据，可挖掘偏振像素隐藏特征。Wan等对肝癌组织缪勒图像像素聚类，利用统一流形逼近与投影（UMAP）方法降维和可视化，UMAP基于黎曼几何和代数拓扑，能保留数据全局结构，适用于大维度数据集且速度快。病理医生根据H&E染色图像识别出不同聚类像素对应的组织结构特征（如正常和病变细胞核、不同细胞浆和胶原纤维结构等）。

肝癌组织222个区域缪勒图像的像素聚类

通过分析这些聚类特征，可提升病变识别和分类准确度（如癌变组织中特定类别密度大于正常组织，其面积占比可区分病变区域且与细胞分化程度相关），还可用于区分不同癌变亚类。对细胞核偏振像素进一步聚类拆分，可发现病变细胞核与正常细胞核偏振特征不同，该方法有助于分离微观结构特征信息，为病变诊断提供依据，展示了无监督微观结构拆分方法的潜力。

肝细胞癌中与病变和细胞分化程度相关的偏振标志物提取 

三、偏振超像素和偏振特征模板

缪勒图像高维空间特征低维投影对数据敏感，可利用K-means 聚类将缪勒图像像素压缩成偏振超像素集合，减少数据量，提高计算效率，且特定病变组织缪勒图像在偏振空间超像素质心位置稳定，可近似表达高维偏振空间特征。

以肺癌病变为例，偏振超像素扩展标注流程包括：选取缪勒图像区域，用Mini Batch KMeans聚类计算形成超像素集合（含质心位置、标准差和像素数指标）；医生对区域内待测结构小区域初始标注，计算超像素中像素对标注区域贡献率，以贡献率为权重；对区域内像素及其权重作散点图，经平滑和阈值分割凸显区域，医生筛选保留正确标注；迭代上述过程扩展标注至整个区域；将已知标注区域扩展到新区域，重复迭代直至所有待测结构正确标注，进而形成偏振特征模板，辅助医生识别病变区域、分析特征和解释机制，减少医生标注工作量，提高标注质量。

肺癌癌症区域偏振超像素扩展标注流程

缪勒矩阵包含丰富的复杂生物样本光学性质和微观结构特征信息，如样本中散射颗粒的浓度、大小、形状、取向、排列、表面形貌、内部结构等。因此，缪勒图像可通过偏振特征提供超分辨层次丰富的微观结构信息，帮助我们区分不同类型和不同状态的细胞和组织。

缪勒成像具有无标记、无损伤、跨尺度、多模态和定量测量的能力，在复杂生物和医学样本的静态和动态测量中已显示出诱人的应用前景。偏振图像的每个像素都是缪勒矩阵，包含样本的局域光学性质和微观结构特征信息。定量提取像素偏振特征并据此表征样本的物质和结构特征是偏振成像应用的核心问题。

相比基于染色图像分析的数字病理，基于监督学习的偏振数字病理能够提供更加丰富的微观结构特征信息，已突显出其临床定量辅助诊断的优势和潜力。结合偏振成像所具有的无标记、无损伤潜力，有望发展一种利用偏振特征拆分并定量表征生物样本亚细胞层次光学性质与微观结构特征的新型偏振空间组学技术。

声明：本文仅用作学术目的。文章来源于：姚悦, 裴浩杰, 李浩, 万嘉晨, 陶丽丽, 马辉. 基于全偏振显微成像的数字病理技术[J]. 中国激光, 2024, 51(9): 0907008.