[發明專利]基于強化學習和深度神經網絡的病理圖像自動標注方法

有效

• 申請號: 201910915086.3
• 申請日: 2019-09-26
• 公開（公告）號: CN110659692B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 楊夢寧;郭喬楠;王壯壯;陳海玲;呂楊帆
• 申請（專利權）人: 重慶大學;中國人民解放軍陸軍軍醫大學第二附屬醫院
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/774;G06V10/82;G06N3/0464;G06N3/08;G06T7/11;G16H30/20
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

本發明公開了基于強化學習和深度神經網絡的病理圖像自動標注方法，包括以下步驟：對染色標準化的原始病理圖像進行多尺度超像素劃分，并標記超像素的上皮概率閾值；構建超像素分類訓練集；采用基于機器學習方法訓練標記后的超像素得到學習模型，學習模型對測試圖像中的超像素進行分類，并由病理醫生對分類結果給予獎勵和懲罰，將獎勵和懲罰結果反饋給學習模型，學習模型通過獎懲機制重新做出調整；采用預先制定的方法構建端到端標注模型的訓練集；采用基于深度神經網絡的端到端學習，自動對組織區域標注分割；構建標注模型；使用預先配置好的真實數據對構建的標注模型進行測試。有益效果：能夠快速、準確、自動標注不同組織區域的學習模型。

技術領域

本發明涉及病理圖像標注技術領域，具體來說，涉及基于強化學習和深度神經網絡的病理圖像自動標注方法。

背景技術

病理圖像的不同局部區域與患病原因及嚴重等級之間有著密切聯系，然而，隨著病理圖像規模的不斷增大，圖像的分辨率不斷增加，而有經驗的閱片病理醫生十分匱乏，且醫生閱片具有一定的主觀性，難以達成一致。從而導致現階段醫院閱片周期長、準確率低等問題。因此，如何借助人工智能、深度學習等技術，有效地對病理圖像各類局部區域進行快速準確的標注，從而為病變、癌癥等疾病的檢測和診斷選擇出最有價值的診斷區域，是現階段醫學領域和人工智能領域迫切研究的問題。

近年來國內外最常見的是通過將疑似癌變組織制成染色切片，再由專業的病理醫師進行手工勾畫標注。病理圖像標注旨在醫生進行診斷之前為其自動標注各個組織區域，比如上皮、腺腔、動脈、間質等組織區域。但人工標注費時費力，主觀性和疲勞導致了不可忽視的誤差，隨著臨床需求的不斷增長，病理醫生的壓力也與日俱增。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出基于強化學習和深度神經網絡的病理圖像自動標注方法，以克服現有相關技術所存在的上述技術問題。

為此，本發明采用的具體技術方案如下：

基于強化學習和深度神經網絡的病理圖像自動標注方法，包括以下步驟：

步驟S1：采用預設規則對染色標準化的原始病理圖像進行多尺度超像素劃分，并標記所述超像素的上皮概率閾值；

步驟S2：采用預設方法構建所述超像素分類訓練集，構成測試圖像；

步驟S3：采用基于機器學習方法訓練步驟S1與步驟S2標記后的所述超像素得到學習模型，所述學習模型對所述測試圖像中的超像素進行分類，并由病理醫生對分類結果給予獎勵和懲罰，將獎勵和懲罰結果反饋給所述學習模型，所述學習模型通過獎懲機制重新做出調整，循環直至所述學習模型達到最優，獲得所述原始病理圖像中組織區域的標注信息；

步驟S4：采用預先制定的方法構建端到端標注模型的訓練集；

步驟S5：采用基于深度神經網絡的端到端學習，自動對組織區域標注分割；

步驟S6：構建標注模型；

步驟S7：使用預先配置好的真實數據對構建的所述標注模型進行測試。

進一步的，所述超像素劃分采用SILC算法，其具體步驟如下：

初始化種子點：按照設定的超像素個數，在所述原始病理圖像內均勻的分配初始種子點；

在所述初始種子點的n*n鄰域內重新選擇二次種子點；

在每個二次種子點周圍的鄰域內為每個像素點分配類標簽；

距離度量：對于每個搜索到的像素點，分別計算它和該二次種子點的距離；

迭代優化；

增強連通性；