[發(fā)明專利]一種數(shù)字病理切片異常區(qū)域快速檢測(cè)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911146210.0
• 申請(qǐng)日: 2019-11-21
• 公開（公告）號(hào): CN111047559B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 張敬誼;丁偕;王瑜;劉全祥;楊佐鵬;劉鳴
• 申請(qǐng)（專利權(quán)）人: 萬達(dá)信息股份有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/136;G06V10/25;G06V10/764
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊;柏子雵

1.一種數(shù)字病理切片異常區(qū)域快速檢測(cè)的方法，其特征在于，包括以下步驟：

步驟1、圖像預(yù)處理：對(duì)全視野數(shù)字病理切片WSI圖像進(jìn)行顏色標(biāo)準(zhǔn)化和非組織區(qū)域去除，形成最終有效的組織區(qū)域，并將該有效的組織區(qū)域初始化為ROI區(qū)域，有效的組織區(qū)域內(nèi)所有坐標(biāo)點(diǎn)稱為ROI區(qū)域的點(diǎn)集；

步驟2、在ROI區(qū)域內(nèi)按已定義的切塊patch尺寸進(jìn)行擬蒙特卡洛采樣，通過預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)模型S0計(jì)算每個(gè)采樣切塊patch的分類概率值，切塊patch尺寸與深度卷積神經(jīng)網(wǎng)絡(luò)模型S0相匹配，包括以下步驟：

步驟2.1、對(duì)步驟1得到的ROI區(qū)域按切塊patch尺寸進(jìn)行n輪迭代的擬蒙特卡洛采樣，具體的包括如下步驟：

步驟2.1.1、將ROI區(qū)域按坐標(biāo)的行順序，降維至一維連續(xù)坐標(biāo)序列；

步驟2.1.2、采用單維度Sobol序列生成器生成擬蒙特卡洛隨機(jī)采樣點(diǎn)，單維度Sobol序列生成器在概率空間中產(chǎn)生均勻分布的、以2為基數(shù)的、維度為1的低差異偽隨機(jī)的隨機(jī)數(shù)生成序列；除第一輪迭代外，每一輪生成的待確認(rèn)的采樣點(diǎn)數(shù)量為3m，每一輪最終確認(rèn)的采樣點(diǎn)數(shù)量為m，其中第一輪生成的待確認(rèn)的采樣點(diǎn)數(shù)量為m；

步驟2.1.3、在由單維度Sobol序列生成的隨機(jī)數(shù)生成序列的基礎(chǔ)上乘以一維連續(xù)坐標(biāo)序列長度，得到相應(yīng)的m個(gè)偽隨機(jī)一維采樣點(diǎn)，如下式(1)所示：

P_qmc＝Round(Length(L_ROI)×Sobol(dim,X))????(1)

式(1)中，P_qmc代表生成的由m個(gè)偽隨機(jī)一維采樣點(diǎn)組成的偽隨機(jī)一維采樣點(diǎn)集；Round(·)函數(shù)代表四舍五入取整；Length(·)函數(shù)代表獲取集合長度；L_ROI代表ROI區(qū)域的一維連續(xù)坐標(biāo)序列點(diǎn)集；Sobol(·)函數(shù)代表按照不同維度生成隨機(jī)數(shù)序列；dim設(shè)置為1；在第一輪迭代過程的采樣中，X∈[1,m]，m∈R，R代表實(shí)數(shù)集合,生成的偽隨機(jī)一維采樣點(diǎn)的數(shù)量為m；在第i輪迭代過程的采樣中，每輪X∈[(3i-5)×m+1,(3i-2)×m]，i＝2,…,n，生成的偽隨機(jī)一維采樣點(diǎn)的數(shù)量為3m；

步驟2.2、根據(jù)步驟2.1得到m個(gè)偽隨機(jī)一維采樣點(diǎn)代表的切塊patch集，通過預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)模型S0計(jì)算每個(gè)采樣切塊patch的分類概率值，概率值范圍在[0,1]區(qū)間；

步驟3、根據(jù)步驟2得到的采樣點(diǎn)分類概率值，構(gòu)建基于切塊patch尺度的異常區(qū)域分類概率的多重二次曲面，選取ROI區(qū)域的異常區(qū)域分類概率曲面，并計(jì)算該異常區(qū)域中每個(gè)切塊patch點(diǎn)對(duì)應(yīng)的概率變化幅度，最終得到的ROI區(qū)域的異常區(qū)域分類概率曲面和相應(yīng)的概率變化幅度，包括以下步驟：

步驟3.1、根據(jù)步驟2生成的離散的偽隨機(jī)一維采樣點(diǎn)坐標(biāo)和基于切塊patch尺度的分類概率值，采用多重二次曲面函數(shù)對(duì)異常區(qū)域分類概率曲面進(jìn)行曲面構(gòu)建，獲得ROI區(qū)域的異常區(qū)域分類概率曲面f，曲面構(gòu)建過程中，所使用的多重二次曲面函數(shù)Φ(r)公式如式(2)所示：

式(2)中，Φ(r)代表多重二次曲面函數(shù)；r代表構(gòu)建點(diǎn)x距偽隨機(jī)一維采樣點(diǎn)c的半徑；ε代表偽隨機(jī)一維采樣點(diǎn)集P_qmc之間的近似平均距離；

步驟3.2、利用7×7尺寸的Sobol算子分別計(jì)算ROI區(qū)域的異常區(qū)域分類概率曲面f在水平方向x和垂直方向y的概率變化幅度，生成異常區(qū)域分類概率曲面f的概率變化向量S_x代表水平方向x的Sobol算子，S_x＝a×b^T，S_y代表垂直方向y的Sobol算子，S_y＝b×a^T，a和b分別代表兩個(gè)設(shè)定的一維矩陣，a＝[1?4?5?0-5-4?1]，b＝[1?6?15?20?15?61]；

然后根據(jù)下式(3)的范數(shù)公式計(jì)算ROI區(qū)域的概率變化幅度：

式(3)中，‖f‖_ROI代表f的概率變化幅度，代表沿圖像沿水平方向x的概率變化幅度，代表沿圖像沿豎直方向y的概率變化幅度；

步驟4、將步驟3中最終使用的異常區(qū)域中的切塊patch點(diǎn)的點(diǎn)數(shù)與ROI區(qū)域的點(diǎn)集數(shù)量進(jìn)行對(duì)比，當(dāng)確認(rèn)的切塊patch點(diǎn)的點(diǎn)數(shù)小于異常區(qū)域的總點(diǎn)數(shù)時(shí)，進(jìn)入步驟5，準(zhǔn)備新一輪的迭代計(jì)算；當(dāng)確認(rèn)的切塊patch點(diǎn)的點(diǎn)數(shù)大于ROI區(qū)域的總點(diǎn)數(shù)，迭代終止，進(jìn)入步驟6，產(chǎn)生最終的預(yù)測(cè)結(jié)果；

步驟5、將步驟3中ROI區(qū)域的概率變化幅度‖f‖_ROI高于設(shè)定閾值的子區(qū)域作為新一輪迭代的ROI區(qū)域，重復(fù)執(zhí)行步驟2和步驟3，除第一輪迭代外，每輪迭代過程中由Sobol序列產(chǎn)生器產(chǎn)生3m個(gè)偽隨機(jī)采樣的采樣點(diǎn)，并且選取m個(gè)概率變化幅度‖f‖_ROI較大的采樣點(diǎn)，作為當(dāng)前輪數(shù)的最終采樣點(diǎn)，其中新一輪迭代的ROI區(qū)域，即密集迭代采樣區(qū)域，其中，每輪迭代之間的ROI區(qū)域關(guān)系如式(4)所示：

式(4)中，ROI_i代表第i輪的采樣點(diǎn)感興趣區(qū)域，h代表第i輪中大于梯度中位數(shù)‖f‖_median的梯度變化大的感興趣區(qū)域，ROI_i+1代表第i+1輪的采樣點(diǎn)感興趣區(qū)域，當(dāng)i＝1時(shí)，ROI₁代表步驟1獲得的有效組織區(qū)域；

步驟6、完成步驟2、3、4、5的迭代，獲得最后一輪迭代的ROI區(qū)域的異常區(qū)域分類概率曲面f，設(shè)置異常區(qū)域分類概率的閾值，得到最終的整個(gè)全視野數(shù)字病理切片WSI圖像的異常區(qū)域檢測(cè)結(jié)果R，其中：異常區(qū)域分類概率的閾值與異常區(qū)域R的關(guān)系如下式(5)所示：

式(5)中，1值代表異常區(qū)域，0值代表正常區(qū)域，T代表異常區(qū)域分類概率的閾值。