[發明專利]一種全景掃描病理圖像轉移區域的自動分割方法

在審

• 申請號: 201710507862.7
• 申請日: 2017-06-28
• 公開（公告）號: CN107358611A
• 公開（公告）日: 2017-11-17
• 發明（設計）人: 徐軍;徐海俊;蔡程飛;周超;郎彬
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/194
• 代理公司: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

技術領域

本發明涉及一種全景掃描病理圖像轉移區域的自動分割方法，屬于醫療圖像處理技術領域。

背景技術

乳腺癌是危害婦女健康的主要惡性腫瘤之一，也是我國近幾年發病率增長較快的惡性腫瘤之一。傳統的乳腺癌轉移檢測方法主要是依靠病理醫生對組織病理切片的診斷，不僅工作量大，而且每個醫生的評價標準存在較大的不一致性。由于近年來計算機的存儲性能和計算性能的大幅度提高，借助計算機進行診斷已經慢慢流行開來。但是在我國圖像處理的技術研究仍然很少，所以研究一套針對病理圖像的分析工具十分重要。

研究計算機輔助系統(CAD)的目標不是為了完全代替醫生，而是為了向醫生提供更加準確的客觀建議從而提高醫生的工作效率，得到更加準確的診斷結果。雖然計算機輔助診斷具有諸多優勢，但由于病理組織圖像呈現出高度的復雜性使得病理組織圖像的自動分析仍然是一個極具有挑戰性的研究領域。

發明內容

本發明的目的在于克服現有技術中的不足，提供一種全景掃描病理圖像轉移區域的自動分割方法，解決現有技術中腫瘤轉移區域的劃分存在判定費時費力、判定結果準確率不高的技術問題。

為解決上述技術問題，本發明所采用的技術方案是：一種全景掃描病理圖像轉移區域的自動分割方法，包括如下步驟：

步驟一：對全景掃描病理圖像進行預處理，提取有組織區域；

步驟二：獲取訓練樣本集，標記轉移部分和非轉移部分；

步驟三：構建深度卷積網絡模型并進行模型訓練，采用訓練完成的深度卷積網絡模型識別全景掃描病理圖像中的轉移區域和非轉移區域；

步驟四：用熱值圖表示全景掃描病理圖像。

步驟一的具體方法如下：

將全景掃描病理圖像在低倍分辨率下利用Ostu閾值法，排除背景區域，然后將低倍鏡下有組織區域對應在全掃描40鏡倍下的目標區域提取出來。

步驟二的具體方法如下：

基于滑動窗口法在全景掃描病理圖像中選取轉移區域小塊和非轉移區域小塊，將轉移區域小塊標記為正樣本1，非轉移區域小塊標記為負樣本0，獲取訓練樣本集。

所述轉移區域小塊和非轉移區域小塊為大小相同的圖像模塊，邊長為256*256像素。

步驟三的具體方法如下：

將步驟二得到的訓練樣本集作為深度卷積網絡模型的輸入，經過迭代，測試損失與分類準確率，調整神經網絡的權值，得到存儲網絡權值系數的第一深度卷積網絡模型；

對于病理醫生和第一深度卷積網絡模型判定的轉移區域不一致的，認定為誤判區域或識別困難區域，在誤判區域和識別困難區域重新獲取訓練樣本集，構建第二深度卷積網絡模型，根據第二深度卷積網絡模型得到二分類器，再次識別轉移區域和非轉移區域。

步驟四的具體方法如下：

建議一個滑動窗，步長設置為227，每一次窗口滑動判斷一次是否為轉移區域，用紅色表示轉移區域，藍色表示非轉移區域，生成熱值圖。

與現有技術相比，本發明所達到的有益效果是：

為醫生提供定量化的診斷信息，減小依靠經驗觀測切片圖像所帶來的主觀誤差，能夠縮短病情分析的等待過程，為病人提供寶貴的治療時間。

附圖說明

圖1是本發明的流程圖。

圖2是本發明方法中采用深度卷積網絡模型獲取熱值圖像的流程圖。

圖3為誤判區域和識別困難區域的判定方法圖。

具體實施方式

下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明的技術方案，而不能以此來限制本發明的保護范圍。

如圖1～2所示，本發明提供的全景掃描病理圖像轉移區域的自動分割方法，包括如下步驟：

步驟一：對全景掃描病理圖像進行預處理，提取有組織區域，具體方法如下：

為了減少計算時間，避免在大量白色背景區域進行過多計算，首先將全景掃描病理圖像在低倍分辨率下利用Ostu閾值法，排除背景區域；

然后將低倍鏡下有組織區域對應在全掃描40鏡倍下的目標區域提取出來。

步驟二：獲取訓練樣本集，標記轉移部分和非轉移部分，具體方法如下：

基于滑動窗口法在全景掃描病理圖像中選取轉移區域小塊和非轉移區域小塊，轉移區域小塊和非轉移區域小塊選用大小相同的圖像模塊，邊長為256*256個像素。將轉移(陽性)區域小塊標記為正樣本1，非轉移(陰性)區域小塊標記為負樣本0，獲取訓練樣本集。