[發(fā)明專利]一種組織病理圖像的分類方法

在審

• 申請?zhí)枺?/td>: 201711107043.X
• 申請日: 2017-11-10
• 公開（公告）號: CN107909102A
• 公開（公告）日: 2018-04-13
• 發(fā)明（設(shè)計(jì)）人: 李岳楠;郭琳琳
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所12201
• 代理人: 李林娟

技術(shù)領(lǐng)域

本發(fā)明涉及信號與信息處理技術(shù)領(lǐng)域，尤其涉及一種組織病理圖像的分類方法。

背景技術(shù)

隨著計(jì)算機(jī)科學(xué)的快速發(fā)展，人們開始研究如何利用計(jì)算機(jī)技術(shù)輔助實(shí)現(xiàn)自動化的醫(yī)學(xué)圖像分析。隨之產(chǎn)生了眾多圖像分析方法及工具，目的在于幫助醫(yī)學(xué)家實(shí)現(xiàn)更準(zhǔn)確的疾病診斷及預(yù)測。組織病理圖像分析一直是其中的一項(xiàng)重要內(nèi)容，當(dāng)前大量的研究證明，對于組織病理圖像的研究及分析在實(shí)際應(yīng)用中具有重要的作用^[1-3]，其本身的復(fù)雜結(jié)構(gòu)信息為包括癌癥在內(nèi)的許多疾病的診斷提供了極大的價(jià)值^[4][5]。

組織的結(jié)構(gòu)通常是多種多樣的，其形態(tài)是病理學(xué)家診斷的重要依據(jù)，這些形態(tài)特點(diǎn)可能體現(xiàn)在細(xì)胞或細(xì)胞核的形狀，大小或紋理上^[1][5]。因此，基于紋理，形狀及細(xì)胞空間排布等底層特征的病理圖像分析技術(shù)被廣泛地應(yīng)用^[6][7]。Tabesh等^[6]將顏色、紋理和形態(tài)特征結(jié)合，分別從圖像及分割圖像等級對圖像特征進(jìn)行描述，并用于前列腺癌的診斷。Fukuma等^[8]提出了通過提取圖像的形態(tài)特征及基于圖理論的空間排布特征作為特征描述。Cao等^[9]結(jié)合了圖像的紋理特征、細(xì)胞核結(jié)構(gòu)的空間分布及語義特征，不僅描述了細(xì)胞核的多形態(tài)，同時提取出了圖像的結(jié)構(gòu)信息及解釋信息。此外，基于圖的特征也被用于圖像的空間結(jié)構(gòu)表示。Doyle等^[10]提取基于圖的組織病理圖像特征，來表示圖像內(nèi)細(xì)胞核的形狀及空間排布結(jié)構(gòu)。Orlov等^[11][12]提出通過提取變換域系數(shù)、圖像統(tǒng)計(jì)量及紋理信息來構(gòu)建一個多用途的特征集，該特征集在不同分類問題下的有效性證明了其通用性。此外，基于稀疏表示的病理圖像分析也受到了廣泛的關(guān)注。Batool^[13]提出了一種基于形態(tài)濾波及稀疏線性模型的脂肪檢測算法。Srinivas等^[7]提出了一種多通道的稀疏模型，將多通道的組織病理圖像表示為訓(xùn)練樣本在多通道約束下的稀疏線性組合。

發(fā)明人在實(shí)現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在以下缺點(diǎn)和不足：

一些現(xiàn)有的組織病理圖像特征提取方法是提取手工設(shè)計(jì)的特征，由于病理圖像的多樣性及復(fù)雜性，這些手工設(shè)計(jì)的特征并不能準(zhǔn)確區(qū)分病理圖像的類別。不同器官的組織圖像通常具有不同的形態(tài)特征，一些現(xiàn)有工作是針對特定的問題即某一類組織圖像所提出的研究方法，并未強(qiáng)調(diào)該方法在不同類別組織圖像中的適用性。

發(fā)明內(nèi)容

本發(fā)明提供了一種組織病理圖像的分類方法，本發(fā)明首先訓(xùn)練對應(yīng)不同圖像類別的PoE模型，根據(jù)所得模型實(shí)現(xiàn)對圖像樣本的特征提取，并分別設(shè)計(jì)了像素塊級別和圖像級別的分類算法，實(shí)現(xiàn)了病理圖像特征的自學(xué)習(xí)，可很好的應(yīng)用于組織病理圖像的分類，且對不同圖像類別適用性強(qiáng)，詳見下文描述：

一種組織病理圖像的分類方法，所述分類方法包括以下步驟：

分別利用健康及患病的病理圖像塊訓(xùn)練對應(yīng)PoE模型；根據(jù)得到的兩類PoE模型對訓(xùn)練圖像塊進(jìn)行特征提取；

利用圖像塊的類別標(biāo)注及其特征向量，訓(xùn)練SVM分類器并找到圖像塊分類標(biāo)準(zhǔn)；

用該SVM分類器分別統(tǒng)計(jì)訓(xùn)練圖像中健康和患病圖像塊個數(shù)的比值，找出可區(qū)分兩類圖像的閾值η；

對待分類圖像進(jìn)行圖像塊級別的特征提取和SVM分類，并根據(jù)閾值η做出圖像類別的判斷。

其中，所述利用健康及患病的病理圖像塊訓(xùn)練對應(yīng)的PoE模型具體為：

分別從健康及患病的病理圖像中隨機(jī)選取大小為W×W的訓(xùn)練圖像塊，圖像塊間可重疊，并利用兩類圖像塊分別訓(xùn)練其對應(yīng)的PoE模型，使各類樣本在其對應(yīng)的模型下出現(xiàn)的概率最大。

其中，所述根據(jù)得到的兩類PoE模型對訓(xùn)練圖像塊進(jìn)行特征提取具體為：

計(jì)算訓(xùn)練圖像塊在兩類模型下的各專家值，將全部專家值按順序相連得到矢量，該矢量作為樣本在模型下的特征。

進(jìn)一步地，所述利用圖像塊的類別標(biāo)注及其特征向量，訓(xùn)練SVM分類器并找到圖像塊分類標(biāo)準(zhǔn)具體為：

從兩類訓(xùn)練圖像塊中分別選取相同數(shù)量的圖像塊，根據(jù)圖像塊所屬圖像類別作為其類別標(biāo)簽，并利用其在PoE模型下的特征進(jìn)行SVM分類器的訓(xùn)練，保存得到的分類標(biāo)準(zhǔn)，將其作為對未知類別圖像塊分類的模型。

進(jìn)一步地，所述用該SVM分類器分別統(tǒng)計(jì)訓(xùn)練圖像中健康和患病圖像塊個數(shù)的比值，找出可區(qū)分兩類圖像的閾值η具體為：