[發(fā)明專(zhuān)利]病理切片圖像智能分類(lèi)方法及裝置

在審

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

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種病理切片圖像智能分類(lèi)方法及裝置。

背景技術(shù)

正常細(xì)胞在個(gè)體發(fā)育中表現(xiàn)出來(lái)的形態(tài)結(jié)構(gòu)和功能上發(fā)生穩(wěn)定性的差異過(guò)程稱(chēng)為細(xì)胞分化，分化程度越高，差異就越大。體內(nèi)部分細(xì)胞由于基因突變失去正常死亡調(diào)控，分裂增生失去控制，無(wú)序過(guò)度增殖等導(dǎo)致正常組織結(jié)構(gòu)遭受破壞，成為癌癥細(xì)胞。分化在腫瘤病理學(xué)中常指腫瘤細(xì)胞與其起源的正常細(xì)胞的相似程度，是腫瘤良惡性鑒別的主要依據(jù)，分化高的腫瘤具有良性行為，分化低的腫瘤多有惡性表現(xiàn)。

病理切片圖像分析的主要任務(wù)就是甄別腫瘤細(xì)胞或組織在顯微鏡下表現(xiàn)出有別于正常細(xì)胞或組織的結(jié)構(gòu)特征，通常需要輔助予HE染色等標(biāo)記手段。光鏡觀察對(duì)細(xì)胞核形態(tài)只能作大致的描述，易帶主觀性，缺乏精確而更為客觀的定量標(biāo)準(zhǔn)。近年來(lái)，科技進(jìn)步促使病理學(xué)的研究手段已遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的形態(tài)觀察，而涌現(xiàn)出許多新方法、新技術(shù)，從根本上要求分析工作往客觀化、定量化的標(biāo)準(zhǔn)發(fā)展。形態(tài)定量分析量化反映組織和細(xì)胞的形態(tài)結(jié)構(gòu)，可排除主觀因素的影響，在腫瘤病理方面圖像分析主要是核形態(tài)參數(shù)的測(cè)定，區(qū)別癌前病變和癌，區(qū)別腫瘤的良惡性，腫瘤組織病理分級(jí)及判斷預(yù)后等。隨著電子計(jì)算機(jī)的發(fā)展，研究者開(kāi)始嘗試把醫(yī)學(xué)模擬圖像轉(zhuǎn)化為數(shù)字圖像，開(kāi)展了計(jì)算機(jī)輔助診斷的初步研究，試圖在一定程度上輔助醫(yī)生判讀醫(yī)學(xué)圖像，排除人為主觀因素，提高診斷準(zhǔn)確性和效率。

光學(xué)成像技術(shù)的發(fā)展促使數(shù)據(jù)采集高維化，傳統(tǒng)的二維灰度值圖像已經(jīng)很難理解如此海量的信息。醫(yī)學(xué)圖像分析不再局限于過(guò)去具有明顯診斷特征的病種，開(kāi)始擴(kuò)展到多種不同器官、解剖形態(tài)、功能過(guò)程的圖像，試圖利用自動(dòng)精確定量的計(jì)算機(jī)輔助圖像分析，幫助臨床醫(yī)生和研究者高效準(zhǔn)確地處理海量圖像信息，然而，目前的技術(shù)還是難以實(shí)現(xiàn)有效的確定病理切片圖像是正常切片圖像還是癌癥切片圖像，準(zhǔn)確性較低。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種病理切片圖像智能分類(lèi)方法及裝置，旨在解決現(xiàn)有技術(shù)中對(duì)病理切片圖像進(jìn)行分類(lèi)的準(zhǔn)確性較低的技術(shù)問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明第一方面提供一種病理切片圖像智能分類(lèi)方法，所述方法包括：

對(duì)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(duì)預(yù)置的機(jī)器分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類(lèi)模型；

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

為實(shí)現(xiàn)上述目的，本發(fā)明第二方面提供一種病理切片圖像智能分類(lèi)裝置，該裝置包括：

處理模塊，用于對(duì)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(duì)預(yù)置的機(jī)器分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類(lèi)模型；

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

本發(fā)明提供一種病理切片圖像智能分類(lèi)方法，該方法包括：對(duì)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，得到正常樣本和癌癥樣本的訓(xùn)練數(shù)據(jù)，其中，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，并基于正常樣本和癌癥樣本的訓(xùn)練數(shù)據(jù)對(duì)預(yù)置的機(jī)器分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類(lèi)模型，將待分類(lèi)病理切片圖像輸入該訓(xùn)練后的機(jī)器分類(lèi)模型，且將該訓(xùn)練后的機(jī)器分類(lèi)模型輸出的類(lèi)型作為該待分類(lèi)病理切片圖像的類(lèi)型。相對(duì)于現(xiàn)有技術(shù)，不僅使用了相似度指標(biāo)的均值及方差用于判別正常切片圖像和癌癥切片圖像之間的差異，還引入了信息熵作為圖像結(jié)構(gòu)混亂程度的一個(gè)獨(dú)立維度，則通過(guò)使用信息熵可達(dá)到定量描述腫瘤細(xì)胞或組織的分化程度的目的，且通過(guò)包含正常樣本和癌癥樣本的相似度指標(biāo)的均值集合、方差集合及信息熵集合的訓(xùn)練數(shù)據(jù)對(duì)機(jī)器分類(lèi)模型進(jìn)行訓(xùn)練，并通過(guò)該機(jī)器分類(lèi)模型對(duì)病理切片圖形進(jìn)行分類(lèi)，使得能夠有效提高病理切片圖像智能分類(lèi)的準(zhǔn)確性。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。