[發明專利]一種基于多損失的胃癌病理切片圖像分割方法和裝置

有效

• 申請號: 201811285894.8
• 申請日: 2018-10-31
• 公開（公告）號: CN109493346B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 吳健;胡荷萍;王彥杰;舒景東;王文哲;陸逸飛;吳邊;吳福理
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;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

本發明公開了一種基于多損失的胃癌病理切片圖像分割方法和裝置，屬于醫療圖像處理技術領域，首先由若干張全切片樣本獲得2048*2048大小的patch病理圖和標記圖，每張切片大概可以獲得200個有效patch，集合成訓練和測試樣本，傳入CLGCN網絡進行訓練，待模型收斂后，輸入測試病理圖，預測出對應的概率密度圖，若某個像素點的概率值高于一定的水平，則預測為病變點，最后得到分割的patch圖并進行全切片的拼接，由此得到一張完整的病理切片分割預測圖。由于分割模型訓練的過程中，增加了5個分類模塊，以及最末端的多個損失的集合，訓練的時候需要先對左側4個分類模塊做預訓練，得到所有分類模塊的初始參數，后在初始參數的基礎之上，多個損失進行加權聯合訓練。

技術領域

本發明涉及醫療圖像處理技術領域，具體地說，涉及一種基于多損失的胃癌病理切片圖像分割方法和裝置。

背景技術

目前醫院所采用的病理切片查看方式以病理切片為基礎，并利用顯微鏡觀察切片的病變情況，在此過程中需要不斷移動切換視野，才能觀察整個切片的樣本情況，本質上來說是一個特別費時費力的事情。

隨著病理切片數字化的發展，數字切片慢慢走近醫院，而在此過程中，如何利用計算機輔助醫生查找出數字切片中的感興趣部位的需求也愈發強烈。圖像分割作為一種數字切片處理方式，能夠勾勒出感興趣、目標區域，如果能夠很好地應用到胃癌病理切片的觀察上，將大大減輕醫生這方面的工作量。

從理論上來說，圖像分割是深度神經網絡的一個大方向，從20世紀40年代的感知器，到90年代末期首次提出的卷積神經網絡(LeNet)，到2012年深度學習在目標識別應用上的噴發，都對圖像分割這一應用帶來深遠影響。就圖像分割這一圖像處理目標來說，目標都是對于一幅圖像中的每個像素點得到一個類別，傳統的方式是基于該像素點周圍形成的一個塊進行神經網絡的分類，遍歷整幅圖像而得到整個圖像的分割圖，運算量非常大。全卷積神經網絡的提出(FCN)則有效的改變了這種情況，形成了端到端的編碼解碼的特定分割網絡，目前的改進工作(U-Net，GCN等)都是基于這樣的一個基本框架，相較之下，速度很快。隨著技術的進步，應用場景也逐漸增廣，但還是要針對應用場景克服不同的困難。

由于整張數字病理切片很大，因此無法一次性輸入模型，需要先切成2048*2048或其它尺寸的patch進行分割，并將結果拼湊起來，實踐中在一張全切片的分割預測全景圖中可以發現，利用GCN的圖像分割的方式，對于大多數病變區域都能夠得到很好的輪廓分割，但同時存在很多細小的假陽性像素塊，較廣泛地分布在切片的正常部位，而這樣的假陽性像素塊非常影響視覺感受。因此，在訓練模型的時候，如何能夠更好地利用標簽存在形式的多樣性，并且改變損失函數的方式來刺激更好的分割預測是本發明需要解決的問題。

發明內容

本發明的目的為提供一種基于多損失的胃癌病理切片圖像分割方法和裝置，解決實際應用中胃癌病理切片分割預測產生過多假陽性且預測不精確的問題。

為了實現上述目的，本發明提供的基于多損失的胃癌病理切片圖像分割方法包括以下步驟：

1)對胃癌病理切片進行掃描得到原始數字病理切片圖像，對原始數字病理切片圖像進行切割成為原始切割圖像，并分為訓練集和測試集；

2)針對訓練集中的原始切割圖像，劃分出病變區域，將圖像中病變區域的像素值標注為1，非病變區域的像素值標注為0；對原始切割圖像是否有病變部位進行二次標注，將含有病變區域的圖像標注為1，否則為0；同時，將圖像由一維轉換成二維，即將圖像中標注為0的像素值轉換成(1，0)，標注為1的像素值轉換成(0，1)，形成三次標注；

3)對標注后的切割圖像進行數據集擴增處理，并輸入GCN網絡，GCN網絡包含四條通路，針對四條通路，依次選擇第二、三、四、五個卷積操作模塊以及最后一條通路的第一個BR模塊，分別連一個CB模塊，并將從Score Map模塊輸出的結果輸入至LB模塊內；