[發(fā)明專利]一種食管病理圖像中上皮組織的分割方法

有效

• 申請?zhí)枺?/td>: 201810405691.1
• 申請日: 2018-04-29
• 公開（公告）號: CN108629768B
• 公開（公告）日: 2022-01-21
• 發(fā)明（設(shè)計）人: 牛春陽;孫占全;趙志剛;葛菁;謝迎
• 申請（專利權(quán)）人: 山東省計算中心（國家超級計算濟南中心）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04
• 代理公司: 北京華際知識產(chǎn)權(quán)代理有限公司 11676
• 代理人: 褚慶森

本發(fā)明的食管病理圖像中上皮組織的分割方法，包括：a).染色校正及灰度處理；b).選取訓(xùn)練、測試樣本；c).圖像分割和標(biāo)注；d).構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；e).測試圖像的處理；f).獲取預(yù)熱圖像；g).預(yù)測熱圖的處理；h).計算精確度和召回率。本專利提出的上皮分割方法，是在像素級別上的分類，特別對上皮邊界區(qū)域的分割，在分割精度上具有明顯優(yōu)勢，且本方法自動學(xué)習(xí)到有效的特征和表達，避免了復(fù)雜的手工特征選取過程，可以滿足實際應(yīng)用需求。在從不同的醫(yī)院使用不同的掃描儀獲得的圖像都可以較高精度地分割出上皮組織，是構(gòu)建食道癌的計算機輔助診斷中圖像處理不可或缺的一步。

技術(shù)領(lǐng)域

本發(fā)明涉及一種食管病理圖像中上皮組織的分割方法，更具體的說，尤其涉及一種利用樣本數(shù)據(jù)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)食管病理圖像中上皮組織的分割方法。

背景技術(shù)

在檢查患者的生物組織樣品后，病理學(xué)家的報告通常是許多疾病的黃金診斷標(biāo)準(zhǔn)。特別是對于癌癥，病理學(xué)家的診斷對患者的治療具有深遠的影響。病理切片審查是一個非常復(fù)雜的任務(wù)，需要多年的培訓(xùn)才能做好，豐富的專業(yè)知識和經(jīng)驗也是必不可少的。

食道癌是生活中常見的一種惡性腫瘤，嚴(yán)重影響人類身體健康。我國食道癌的發(fā)病率排在世界前列，每年有大量的新增食道癌病例。目前，針對食道癌的病理切片進行檢測，隨著病人的增多，醫(yī)生的工作壓力及強度越來越大?，F(xiàn)有醫(yī)護專家人員的精力是有限的，醫(yī)護專家人員也不可能在最短的時間內(nèi)對所有的病人進行篩查及診斷。有時候偶爾專家由于過度疲勞，也會對于早期的病變判斷出現(xiàn)失誤的情況，錯誤的判斷可能導(dǎo)致病人的病情進一步加重。對于食道癌疾病應(yīng)當(dāng)及早發(fā)現(xiàn)及早處理，單純依靠醫(yī)護專家的單方面力量面對大量的患者來篩查及診斷病人的病情變得越來越吃力。最近幾年人工智能的興起，計算機視覺也得到了進一步深入發(fā)展。計算機視覺主要是利用計算機模擬人對圖像進行相關(guān)處理，獲取圖片中有價值的信息。因此，通過計算機視覺的目標(biāo)檢測與識別的方法，構(gòu)建食道癌的計算機輔助診斷系統(tǒng)，緩解醫(yī)生的工作壓力及強度，是未來食道癌檢測的發(fā)展方向。對于一張完整的食管病理組織全掃描切片，其尺寸約為100000×700000個像素點，存儲在計算機上需要占用1.5G的硬盤空間，這種高分辨率、大尺度圖像對計算機硬件和圖像分析算法都是非常具有挑戰(zhàn)性的。由于食管組織病理圖像中兩種最基本的組織是上皮組織與間質(zhì)組織，而食管腫瘤起源于食管上皮組織。因此食道癌的計算機輔助診斷系統(tǒng)針對整張病理圖像只需要檢測食管上皮組織的癌變區(qū)域來診斷食管癌，可以大大縮短診斷所需要的時間。所以,上皮和間質(zhì)的組織的自動分割是構(gòu)建食道癌的計算機輔助診斷系統(tǒng)的前提。

發(fā)明內(nèi)容

本發(fā)明為了克服上述技術(shù)問題的缺點，提供了一種食管病理圖像中上皮組織的分割方法。

本發(fā)明的食管病理圖像中上皮組織的分割方法，其特征在于，通過以下步驟來實現(xiàn)：

a).染色校正及灰度處理，選取一定數(shù)量的經(jīng)HE染色的食管病理圖像作樣本，首先對食管病理圖像進行染色校正處理，然后將校正后的彩色圖變?yōu)榛叶葓D像，以避免不同病理圖像之間由于切片染色制作過程中染色不均造成的顏色差異；

b).選取訓(xùn)練、測試樣本，隨機選取經(jīng)步驟a)處理后的部分食管病理圖像作為訓(xùn)練樣本，剩余的病理圖形作為測試樣本；

c).圖像分割和標(biāo)注，使用滑動窗口的方法，窗口大小固定為m×m、滑動步幅為m，將作為訓(xùn)練樣本的每個圖像分割為若干個m×m像素大小的小圖像；并由專家將m×m的小圖像中每個像素代表上皮組織、基質(zhì)組織還是無關(guān)空白區(qū)域進行標(biāo)注，標(biāo)注后的圖像形成標(biāo)簽圖像，標(biāo)簽圖像與灰度圖像共同組成訓(xùn)練數(shù)據(jù)集；

d).構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)計由編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)組成的卷積神經(jīng)網(wǎng)絡(luò)，其中編碼網(wǎng)絡(luò)由卷積層、激活層和池化層堆疊而成，解碼網(wǎng)絡(luò)由上采樣層、卷積層和激活層堆疊而成，并采用跳躍連接結(jié)構(gòu)將編碼網(wǎng)絡(luò)卷積層的輸出特征圖與解碼網(wǎng)絡(luò)卷積層的輸出特征進行融合，解碼網(wǎng)絡(luò)的輸出連接sigmoid層，該層實現(xiàn)像素的是屬于上皮組織、基質(zhì)組織還是無關(guān)空白區(qū)域的分類，利用步驟c)中訓(xùn)練數(shù)據(jù)集中的灰度圖像為輸入、標(biāo)簽圖像為輸出驗證訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；