[發(fā)明專利]病理切片圖像智能分類方法及裝置

在審

• 申請?zhí)枺?/td>: 201710126787.X
• 申請日: 2017-03-03
• 公開（公告）號: CN106874687A
• 公開（公告）日: 2017-06-20
• 發(fā)明（設(shè)計(jì)）人: 屈軍樂;陳秉靈;羅騰;林丹櫻;彭曉
• 申請（專利權(quán)）人: 深圳大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06K9/62
• 代理公司: 深圳市恒申知識產(chǎn)權(quán)事務(wù)所(普通合伙)44312
• 代理人: 王利彬

1.一種病理切片圖像智能分類方法，其特征在于，所述方法包括：

對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；

基于所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型；

將待分類病理切片圖像輸入所述訓(xùn)練后的機(jī)器分類模型，且將所述訓(xùn)練后的機(jī)器分類模型輸出的類型作為所述待分類病理切片圖像的類型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本及所述癌癥樣本的訓(xùn)練數(shù)據(jù)的步驟包括：

對所述正常樣本及所述癌癥樣本中的每一幅病理切片圖像進(jìn)行以下處理：

讀取病理切片圖像含結(jié)構(gòu)信息的三維圖像，所述三維圖像由各像素點(diǎn)的光子數(shù)分布構(gòu)成第三維度；

提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)；

利用所述各像素點(diǎn)的相似度指標(biāo)計(jì)算所述病理切片圖像的相似度指標(biāo)的均值，方差及信息熵；

所述步驟還包括：

將所述正常樣本中所有病理切片圖像的相似度指標(biāo)的均值、方差及信息熵分別歸類為所述正常樣本的相似度指標(biāo)的均值集合、方差集合及信息熵集合，以作為所述正常樣本的訓(xùn)練數(shù)據(jù)，及將所述癌癥樣本中所有病理切片圖像的相似度指標(biāo)的均值、方差及信息熵分別歸類為至少一種類別的相似度指標(biāo)的均值集合、方差集合及信息熵集合，以作為所述癌癥樣本的訓(xùn)練數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，若所述三維圖像為熒光壽命成像，則所述提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)的步驟包括：

利用采集到的各像素點(diǎn)對應(yīng)的時(shí)間衰減曲線進(jìn)行最小二乘擬合得到各像素點(diǎn)的熒光壽命，將所述各像素點(diǎn)的熒光壽命作為所述各像素點(diǎn)的相似度指標(biāo)；

或者，

利用預(yù)置的相位映射算法計(jì)算所述各像素點(diǎn)的熒光壽命，將所述各像素點(diǎn)的熒光壽命作為所述各像素點(diǎn)的相似度指標(biāo)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，若所述三維圖像為拉曼成像，則所述提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)的步驟包括：

利用預(yù)置的皮爾遜互相關(guān)算法對各像素點(diǎn)的拉曼光譜分別進(jìn)行兩兩互相關(guān)運(yùn)算，得到所述各像素點(diǎn)的拉曼光譜相關(guān)系數(shù)矩陣，將所述各像素點(diǎn)的拉曼光譜相關(guān)系數(shù)矩陣作為所述各像素點(diǎn)的相似度指標(biāo)。

5.根據(jù)權(quán)利要求1至3任意一項(xiàng)所述的方法，其特征在于，所述機(jī)器分類模型是支持向量機(jī)神經(jīng)網(wǎng)絡(luò)模型，或者是基于貝葉斯的線性或非線性分類器。

6.一種病理切片圖像智能分類裝置，其特征在于，所述裝置包括：

處理模塊，用于對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；

訓(xùn)練模塊，用于基于所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型；

分類模塊，用于將待分類病理切片圖像輸入所述訓(xùn)練后的機(jī)器分類模型，且將所述訓(xùn)練后的機(jī)器分類模型輸出的類型作為所述待分類病理切片圖像的類型。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述處理模塊包括：讀取模塊、提取模塊、計(jì)算模塊、歸類模塊，所述讀取模塊、提取模塊及所述計(jì)算模塊用于對對所述正常樣本及所述癌癥樣本中的每一幅病理切片圖像進(jìn)行處理；

所述讀取模塊具體用于讀取病理切片圖像含結(jié)構(gòu)信息的三維圖像，所述三維圖像由各像素點(diǎn)的光子數(shù)分布構(gòu)成第三維度；

所述提取模塊具體用于提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)；

所述計(jì)算模塊具體用于利用所述各像素點(diǎn)的相似度指標(biāo)計(jì)算所述病理切片圖像的相似度指標(biāo)的均值，方差及信息熵；

所述歸類模塊用于將所述正常樣本中所有病理切片圖像的相似度指標(biāo)的均值、方差及信息熵分別歸類為所述正常樣本的相似度指標(biāo)的均值集合、方差集合及信息熵集合，以作為所述正常樣本的訓(xùn)練數(shù)據(jù)，及將所述癌癥樣本中所有病理切片圖像的相似度指標(biāo)的均值、方差及信息熵分別歸類為至少一種類別的相似度指標(biāo)的均值集合、方差集合及信息熵集合，以作為所述癌癥樣本的訓(xùn)練數(shù)據(jù)。