[發明專利]一種病理切片中非常規細胞的識別方法

有效

• 申請號: 201810097641.1
• 申請日: 2018-01-31
• 公開（公告）號: CN108346145B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 吳健;王彥杰;王文哲;劉雪晨;吳邊;陳為;吳福理;吳朝暉
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T3/40;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種病理切片中非常規細胞的識別方法，包括：

(1)對電子掃描病理切片進行預處理，得到該病理切片中的有效判別區域，所述的有效判別區域中非常規細胞像素區域為正樣本，常規細胞像素區域為負樣本；

(2)對步驟(1)得到的正、負樣本采用全卷積網絡算法進行訓練，根據模型預測結果與標簽的重合度對網絡的參數進行調節，得到收斂的切片分割模型；

(3)在步驟(2)得到的切片分割模型基礎上，將其頭部分割器替換為分類器，使用含有非常規細胞的判別區域作為正例，完全不含非常規細胞的判別區域作為負例，微調網絡參數使之適應分類任務，得到分割預訓練分類模型；微調網絡參數的方法，包括：

(3-1)將U-Net的最后一層卷積層替換為輸出為二分類的全連接層；

(3-2)使用含有非常規細胞的判別區域作為正例，完全不含非常規細胞的判別區域作為負例，使用Adam算法優化交叉熵損失函數并更新網絡參數，使分類任務模型到達收斂，得到分割預訓練分類模型；

(4)將步驟(1)得到的有效判別區域中，含有非常規細胞的判別區域作為正例，完全不含有非常規細胞的判別區域作為負例，使用普通卷積神經網絡分類方法中的k折交叉驗證的方式訓練k個普通分類模型；

所述k的取值范圍為5～10之間的整數；

(5)將步驟(3)得到的分割預訓練分類模型與步驟(4)得到的k個普通分類模型通過模型集成的方法融合，構建最終分類模型；

(6)將未經過標記的新病理切片，經過步驟(1)處理得到的有效判別區域輸入最終分類模型，輸出概率值在0.5以上的非常規細胞作為識別結果。

2.跟據權利要求1所述的病理切片中非常規細胞的識別方法，其特征在于，步驟(1)中，所述的預處理，包括：

(1-1)將20×放大的病理切片劃分為像素為512*512～2048*2048相同大小的小塊，分別存儲；

(1-2)對每個小塊轉換為LAB通道后的圖像，將A通道的均值超過閾值t的小塊作為有效判別區域，其余的舍棄；

所述的閾值t為120～150。

3.跟據權利要求1所述的病理切片中非常規細胞的識別方法，其特征在于，步驟(2)中，所述的模型預測結果與標簽的重合度的評估方法包括Dice Loss、Cross Entropy或MeanSquared Error。

4.跟據權利要求1或3所述的病理切片中非常規細胞的識別方法，其特征在于，步驟(2)中，所述的收斂的切片分割模型的訓練方法，包括：

(2-1)將輸入的有效判別區域通過圖像壓縮算法將其壓縮至像素為256*256～512*512的矩陣；

(2-2)通過重分布與z-score方法將上述矩陣歸一化并轉換到標準正態分布；

(2-3)對步驟(2-2)轉換后得到的標準正態分布的圖像使用數據增強技術進行旋轉、翻轉、鏡像、亮度改變、隨機偏移操作；

(2-4)將步驟(2-3)處理得到的矩陣輸入全卷積網絡，計算Dice Loss；

(2-5)使用Adam算法作為優化方法最小化Dice Loss，直至網絡收斂，得到收斂的切片分割模型。

5.跟據權利要求1所述的病理切片中非常規細胞的識別方法，其特征在于，步驟(4)中，所述的通過k折交叉驗證的方式訓練k個普通分類模型，其具體步驟為：首先將訓練數據通過分層抽樣分為k等份，每次使用其中一份作為驗證數據，其余k-1份作為訓練數據訓練，得到k個普通分類模型；

所述k的取值范圍為5～10之間的整數；

所述的訓練數據包括含有非常規細胞的判別區域作為正例和完全不含有非常規細胞的判別區域作為負例。

6.跟據權利要求1所述的病理切片中非常規細胞的識別方法，其特征在于，步驟(5)中，所述的模型集成融合方法包括投票法、加權均值法或堆疊法。

7.跟據權利要求6所述的病理切片中非常規細胞的識別方法，其特征在于，所述的加權均值法，其中，普通分類模型的權值相同；分割預訓練的分類模型的權值為普通分類模型的權值的k倍，k為普通分類模型的數量。