[發(fā)明專利]一種組織病理圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710059300.0
• 申請(qǐng)日: 2017-01-24
• 公開（公告）號(hào): CN106845551B
• 公開（公告）日: 2020-08-11
• 發(fā)明（設(shè)計(jì)）人: 湯紅忠;李驍;王翔;毛麗珍
• 申請(qǐng)（專利權(quán)）人: 湘潭大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 湘潭市匯智專利事務(wù)所(普通合伙) 43108
• 代理人: 顏昌偉

本發(fā)明公開了一種組織病理圖像識(shí)別方法，包括以下步驟：選取無病和有病訓(xùn)練樣本，無病和有病測(cè)試樣本；結(jié)合無病訓(xùn)練樣本和有病訓(xùn)練樣本，建立無病字典學(xué)習(xí)模型和有病字典學(xué)習(xí)模型，交替迭代優(yōu)化兩個(gè)目標(biāo)函數(shù)，直到達(dá)到最大迭代次數(shù)為止，學(xué)習(xí)得到無病字典和有病字典；利用無病字典和有病字典，對(duì)測(cè)試樣本進(jìn)行稀疏表示，分別計(jì)算測(cè)試樣本在無病字典和有病字典下的稀疏重構(gòu)誤差向量；通過稀疏重構(gòu)誤差向量獲得分類統(tǒng)計(jì)量，通過分類統(tǒng)計(jì)量與閾值的比較確定測(cè)試樣本的類別。本發(fā)明對(duì)字典學(xué)習(xí)在組織病理圖像分類中的應(yīng)用提出了新的模型和方法，學(xué)習(xí)出的帶類標(biāo)字典對(duì)同類樣本具有較好的稀疏重構(gòu)性與類內(nèi)魯棒性，對(duì)非同類樣本具有較好的類間判別性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種組織病理圖像識(shí)別方法。

背景技術(shù)

隨著計(jì)算機(jī)輔助診斷技術(shù)的發(fā)展，“數(shù)字病理”的研究也逐漸受到廣大科研工作者的關(guān)注，其中，如何精確地自動(dòng)提取隱藏在圖像中的判別性特征，為后續(xù)組織病理圖像分析或分類提供必要的信息，從而快速準(zhǔn)確給出疾病等級(jí)與分類，已成為“數(shù)字病理”中極具挑戰(zhàn)性的研究課題之一。

傳統(tǒng)的特征提取方式主要分為以下兩類：第一大類是基于特定域或特定任務(wù)的特征，如生物細(xì)胞的大小與形態(tài)特征、圖像的灰度或彩色信息、紋理等；第二大類主要以空間結(jié)構(gòu)與多尺度特征為主，如形態(tài)學(xué)特征、圖方法、尺度不變特征、小波特征等。上述傳統(tǒng)特征提取方式多為像素級(jí)特征或手工特征，一般只適合特定的數(shù)據(jù)對(duì)象，其應(yīng)用范圍受到限制，而且特征冗余度高，判別性低。

近些年來，稀疏表示因其在眾多計(jì)算機(jī)視覺問題中的突出表現(xiàn)而獲得了極大關(guān)注。其基本思想是將一個(gè)原始信號(hào)表示成以一組過完備字典為基的稀疏信號(hào)。稀疏表示在圖像去噪與恢復(fù)，人臉識(shí)別，圖像分類等領(lǐng)域中都獲得了極大成功。而隨著技術(shù)的發(fā)展，如何學(xué)習(xí)到適用于特定問題(比如用于圖像分類)的字典成為學(xué)者們關(guān)注的焦點(diǎn)，即一個(gè)字典學(xué)習(xí)的理論框架。

字典學(xué)習(xí)的關(guān)鍵在于構(gòu)造的字典是否具有較好的重構(gòu)性與判別性。對(duì)這一類問題，Zhang等提出了一種判別性K-SVD(Discriminative K-SVD，DK-SVD)字典學(xué)習(xí)方法。Jiang等提出了基于類標(biāo)一致K-SVD(Label Consistent K-SVD，LC-KSVD)的字典學(xué)習(xí)方法。Yang等采用Fisher準(zhǔn)則提出判別性字典學(xué)習(xí)(Fisher Discrimination DictionaryLearning，F(xiàn)DDL)方法，通過約束稀疏表示系數(shù)間接提升字典的判別性能。Vu等提出了一種面向判別性特征的字典學(xué)習(xí)(Discriminative Feature-oriented Dictionary Learning，DFDL)方法，并將其應(yīng)用于組織病理圖像分類。上述方法，在圖像分類中能取得非常不錯(cuò)的分類效果。

然而，由于不同類型的組織病理圖像呈現(xiàn)的特征各異，同一類型的組織病理圖像中細(xì)胞形態(tài)與幾何結(jié)構(gòu)特征變化較大，病理特征也呈現(xiàn)出多樣化，這導(dǎo)致同類病理圖像樣本間的特征差異大于非同類病理圖像樣本間的特征差異，使得上述方法學(xué)習(xí)的有病字典與無病字典相似程度較高，對(duì)無病樣本與有病樣本的判別性仍然較低，其分類性能依然有的待于提高。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供一種準(zhǔn)確率高、魯棒性高的組織病理圖像識(shí)別方法。

本發(fā)明解決上述問題的技術(shù)方案是：一種組織病理圖像識(shí)別方法，包括以下步驟：

步驟一，從某一組織的無病和有病兩種圖像中分別選取若干圖像塊作為無病和有病訓(xùn)練樣本，無病和有病測(cè)試樣本；

步驟二，優(yōu)化學(xué)習(xí)無病字典：結(jié)合無病訓(xùn)練樣本和有病訓(xùn)練樣本，建立無病字典學(xué)習(xí)模型，通過兩步交替迭代的優(yōu)化方式最小化目標(biāo)函數(shù)，學(xué)習(xí)得到無病字典；

步驟三，優(yōu)化學(xué)習(xí)有病字典：結(jié)合有病訓(xùn)練樣本和無病訓(xùn)練樣本，建立有病字典學(xué)習(xí)模型，通過兩步交替迭代的優(yōu)化方式最小化目標(biāo)函數(shù)，學(xué)習(xí)得到有病字典；