تصویربرداری هیستولوژی به عنوان یکی از تکنیکهای اصلی در شناسایی و درمان انواع سرطانها در نظر گرفته شده است. متخصصان آسیبشناسی بر اساس تصاویر هیستولوژی و با در نظر گرفتن سایر اطلاعات بالینی بیمار، طرحهای درمانی را انتخاب میکنند. با توسعههای اخیر و استقرار اسکنرهای دیجیتال درمراکز بالینی، دیجیتالی کردن اسلایدهای هیستولوژی (به عنوان مثال، تصاویر کل اسلاید (WSIs) ممکن شده است. تکنیک دیجیتالی کردن تصاویر هیستولوژی که به عنوان آسیبشناسی دیجیتال شناخته میشود، رویکرد جدیدی برای جمعآوری دادههای تصویری و استفاده از سیستمهای کامپیوتری برای کمک به پزشکان و محققان در تفسیر و تجزیه و تحلیل دادهها ایجاد کرده است. استفاده از روشهای محاسباتی برای تجزیه و تحلیل تصاویر هیستولوژی، آسیبشناسی محاسباتی computational pathology (Cpath) نامیده میشود و در سالهای اخیر پیشرفتهای زیادی کرده است. در واقع آسیبشناسی محاسباتی، از فناوریهای پیشرفتهای مانند هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق برای تجزیه و تحلیل تصاویر اسلاید دیجیتال و سایر دادهها استفاده میکند.
با وجود چالشهای موجود، تحقیقات و پیشرفتهای مداوم در یادگیری ماشین و پردازش تصویر به تدریج توانایی ایجاد روشهای جامعتر و قویتر برای تصویر بافتشناسی را بهبود میبخشد. در این کرسی به روشهای تحلیل تصاویر بافت، چالشها و مسیر تحقیقات پرداخته میشود.
