研究意义
全视野数字切片（Whole Slide Imaging,WSI），是通过光学显微镜与自动化操作技术结合，将整张病理组织切片通过光学放大系统和扫描系统进行全方位快速扫描，采集一组高分辨率的数字化图像，之后利用专业化的图像自动处理软件对扫描得到的图像进行多视野的快速无缝隙拼接，即得到全视野高精度数字化病理切片[1]。WSI包括整个组织切片或预选区域的数字化，数字化的过程包括图像采集（扫描）、存储、编辑和显示四个部分。WSI通过由4个主要组件组成的切片扫描仪：光源、切片台、物镜和用于图像捕获的高分辨率相机生成，也可以扫描其他材料，如细胞学切片和其他标本（如植物材料）[2]。
病理诊断作为公认的医学诊断“金标准”，在疾病的诊断、治疗甚至预后中起着举足轻重的作用，对于动物病理学而言，这是一门研究疾病的病因、发病机制、病变形态结构、代谢和功能的改变，从本质上揭示疾病的发生、发展规律和转归的学科。而传统病理学所用的玻璃切片相比数字化切片存在传递信息量小、占用空间大、无法多人同时查看、无法一人同时查看多张切片等问题[12]。全视野数字切片则正好解决了传统病理切片所遇到的这些问题，首先，数字切片方便存储，更有利于对切片进行远程观察；其次，数字切片可以通过网络传输，更有利于教学研究等方面；最后，数字切片可以标注，大量的标注数据是病理研究中最有价值的数据库，可以为后期的人工智能，数据挖掘打下坚实基础[6]。
全视野数字切片平台的应用，可以有效改善实验人员的工作体验，使其不用再长时间盯着显微镜以及持续快速的切换镜头；优化病理资源配置，突破地域限制，促进整个区域的病理研究水平的提升[11];同时，平台所带来的在线化、实时化等特点，也将促进实验人员之间的交流，对于特定切片的标注与交流可达到相互印证的目的有助于提高研究效率与准确性。平台对于数字切片的存储也突破了传统切片保存难、易损坏的局限性[3]。
而深度学习在WSI中的成功应用也有可能创造出新的临床工具，其在准确性、可重复性和客观性方面均有望超越目前的临床方法。然而，WSI是典型分辨率为10万times;10万像素的千兆字节图像，具有很高的形态变异性，并且常常包含各种类型的伪影，这些条件妨碍了传统深度学习技术的直接应用。因此，实践者面临着两个重大挑战：一方面，图像的视觉理解受到形态变化、伪影和典型的小数据集的阻碍；另一方面，当前硬件能力的不足难以做到从这样高分辨率的图像中进行学习，因而需要对图像进行一系列的降维处理[4] 。数十亿字节图像的分析是深度学习的一个新挑战，它只出现在数字病理学和全视野数字切片的应用过程中。构建能够理解WSI的深度学习模型对该领域提出了新的挑战。当有大量标注数据标签可用时，训练出的深度学习模型的预测结果精确度甚至超过病理学家[7]。对于许多带有标注数据的医学数据集，深度学习模型表现得非常出色，随着Camelyon16和camelyon17[8][9]等竞赛的引入，这种类型的深度学习在性能和可解释性方面反复证明了它的成功[10]。
数字病理学和人工智能在动物病理学方面具有巨大的潜力。就像在放射学中效率和有效性的演变一样，病理学家为了减少周转时间和开发更有效的工作流程正朝着数字化的方向发展。这一数字化创新有可能对病理研究造成巨大改变，带来共享图像和数据、提高效率和集成诊断、病理工作流程现代化、提高切片存储可靠性等额外好处，并且通过使用人工智能算法，许多手动和主观的任务可以变得更加自动化和标准化[5]。因此，构建全视野数字切片平台对于实验动物病理切片的管理与进一步应用是十分有必要且有意义的。
研究目标：
本课题利用SQL数据库对实验动物病理切片的结构化信息进行管理，例如实验动物名称、给药途径、给药频率、解剖脏器等信息；利用web开发技术和AI技术来构建智能平台，旨在可以实现实验动物病理切片结构化信息的录入和展示以及病理切片的上传、存储、在线浏览、标注和AI分析等功能。
研究内容：
1）全视野病理切片的实时在线浏览。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
