病理學檢查在臨床醫學中占據著舉足輕重的地位，是許多疾病診斷的核心依據，被譽為診斷的金標準。傳統的病理學檢查流程存在明顯弊端，醫生的診斷過程具有較強的主觀性，其判斷結果易受個人訓練水平、工作經驗以及現場狀態等多種因素影響。

隨著信息技術的飛速發展，數字病理系統應運而生，旨在克服傳統病理學檢查的局限性。該系統具備三項核心功能：病理樣本數字化、病變特征數字化和人工智能輔助診斷。

偏振成像作為光學成像領域的新興技術，正迅速發展并展現出獨特優勢。全偏振成像利用4個分量的全偏振光照明和檢測，可獲得包含豐富信息的全偏振圖像，其繆勒矩陣能完備描述樣本偏振特征，涵蓋散射顆粒和間質的多種光學參數及幾何特征信息，信息量遠超普通非偏振圖像，且在單像素和圖像層次隱藏樣本特征，有助于提升對生物組織物理特征的表征和評估能力。此外，全偏振成像不依賴染色、無損傷，適用于各類樣本，在數字病理技術中展現出獨特優勢和應用潛力。

清華大學深圳國際研究生院姚悅團隊發表綜述文章，介紹了全偏振顯微成像技術，并結合臨床應用總結了現有偏振特征提取方法和最新進展，包括基于監督學習的偏振像素與圖像特征提取方法、基于無監督學習的偏振像素聚類，以及偏振超像素和偏振特征模板擴展標注方法。

全偏振顯微成像技術
一、繆勒成像基礎知識
偏振是光的基本屬性之一。任意光的偏振態可用斯托克斯矢量表達，其由總光強、水平和垂直線偏振分量強度差、方向線偏振分量強度差以及右旋和左旋圓偏分量強度差四個光強量組成。

在繆勒顯微成像中，常用斯托克斯矢量-繆勒矩陣表示法描述光的偏振態及其變化，其中斯托克斯矢量描述光的偏振態，繆勒矩陣描述介質的偏振光學特性，通過計算與樣本作用后的出射光偏振態。

多種繆勒顯微鏡已被研發，如Oldenbourg引入電控液晶相位延遲器的裝置、Gribble使用雙光彈搭建的裝置、Arteaga設計的全偏振繆勒矩陣顯微成像裝置，本團隊也基于國產商業顯微鏡發展了系列模塊化繆勒顯微鏡，包括透射正置、透射倒置和背反式，可用于不同類型樣本。

基于雙旋轉波片的繆勒顯微鏡通過記錄30個偏振分量圖像計算繆勒矩陣陣元，基于雙線偏振相機的繆勒顯微鏡可實現全偏振態實時測量與快速成像，成像速度可達1frame/s且有望提升，針對標準樣本繆勒陣元誤差小，對病理切片樣本成像信噪比高。

部分偏振參數對樣本旋轉角不敏感，眾多偏振參數可形成偏振圖像，清晰凸顯微觀結構空間分布特征。例如，退偏相關參數可凸顯乳腺癌組織細胞核結構，相位延遲相關參數可凸顯纖維結構。偏振成像能獲取超分辨尺度結構信息，對組織微觀結構和生物動態過程研究意義重大，且這些信息難用現有臨床病理成像方法獲取，偏振成像可用于生物組織特征表征和細分。

偏振特征提取方法
一、基于監督學習的方法
全偏振顯微圖像含豐富病理組織微觀結構信息，但從16維繆勒矩陣數據提取偏振特征并識別組織結構特征是偏振技術應用于病理診斷的關鍵挑戰。近年來，許多課題組探索偏振數字病理在臨床診斷中的應用，通過機器學習提取病變組織偏振特征，輔助醫生提升診斷和預后評估準確率與效率。

該方法從像素或圖像角度出發，利用多種監督學習方法（如隨機森林、多層感知機、主成分分析、邏輯回歸、線性判別模型等）對醫生標記病變區域內偏振像素分類或提取偏振圖像特征。例如，Luu等用機器學習分類器對皮膚癌組織繆勒陣元像素分類，準確率達93%；Ivanov等用主成分分析等對結腸組織偏振參數像素分類，準確率97%；Dong等將繆勒陣元和偏振參數組合成偏振基底參數，篩選出敏感偏振特征參數，用于識別乳腺癌組織微觀結構，準確率82%-91%，還提出雙模態模型用于宮頸癌前病變特征識別，準確率達90%。

從偏振圖像角度，利用深度學習（如卷積神經網絡）或圖像組學技術提取特征，如Roa等用卷積神經網絡和K-nearest neighbor對偏振基底參數圖像分類，輔助宮頸研究；McKinley等結合卷積神經網絡與機器學習算法提取特征，用于識別腦腫瘤組織白質纖維束；Yao等用多種方法對子宮內膜偏振參數圖像特征識別，卷積神經網絡識別準確率最高；Chen等研究融合網絡用于識別多種癌變數據，準確率較高，且偏振在小樣本量時有輔助診斷優勢。然而，監督學習需大量精確標注樣本，獲取高質量標注數據耗時費力，且標注質量受多種因素影響，限制了監督學習方法的效果。

通過分析這些聚類特征，可提升病變識別和分類準確度（如癌變組織中特定類別密度大于正常組織，其面積占比可區分病變區域且與細胞分化程度相關），還可用于區分不同癌變亞類。對細胞核偏振像素進一步聚類拆分，可發現病變細胞核與正常細胞核偏振特征不同，該方法有助于分離微觀結構特征信息，為病變診斷提供依據，展示了無監督微觀結構拆分方法的潛力。

以肺癌病變為例，偏振超像素擴展標注流程包括：選取繆勒圖像區域，用Mini Batch KMeans聚類計算形成超像素集合（含質心位置、標準差和像素數指標）；醫生對區域內待測結構小區域初始標注，計算超像素中像素對標注區域貢獻率，以貢獻率為權重；對區域內像素及其權重作散點圖，經平滑和閾值分割凸顯區域，醫生篩選保留正確標注；迭代上述過程擴展標注至整個區域；將已知標注區域擴展到新區域，重復迭代直至所有待測結構正確標注，進而形成偏振特征模板，輔助醫生識別病變區域、分析特征和解釋機制，減少醫生標注工作量，提高標注質量。

總結與展望
繆勒矩陣包含豐富的復雜生物樣本光學性質和微觀結構特征信息，如樣本中散射顆粒的濃度、大小、形狀、取向、排列、表面形貌、內部結構等。因此，繆勒圖像可通過偏振特征提供超分辨層次豐富的微觀結構信息，幫助我們區分不同類型和不同狀態的細胞和組織。

繆勒成像具有無標記、無損傷、跨尺度、多模態和定量測量的能力，在復雜生物和醫學樣本的靜態和動態測量中已顯示出誘人的應用前景。偏振圖像的每個像素都是繆勒矩陣，包含樣本的局域光學性質和微觀結構特征信息。定量提取像素偏振特征并據此表征樣本的物質和結構特征是偏振成像應用的核心問題。

相比基于染色圖像分析的數字病理，基于監督學習的偏振數字病理能夠提供更加豐富的微觀結構特征信息，已突顯出其臨床定量輔助診斷的優勢和潛力。結合偏振成像所具有的無標記、無損傷潛力，有望發展一種利用偏振特征拆分并定量表征生物樣本亞細胞層次光學性質與微觀結構特征的新型偏振空間組學技術。

聲明：本文僅用作學術目的。文章來源于：姚悅, 裴浩杰, 李浩, 萬嘉晨, 陶麗麗, 馬輝. 基于全偏振顯微成像的數字病理技術[J]. 中國激光, 2024, 51(9): 0907008.