[發明專利]基于圖神經網絡的醫療影像分析方法及系統

在審

• 申請號: 202010180739.0
• 申請日: 2020-03-16
• 公開（公告）號: CN111462052A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 江瑞;李皓冉
• 申請（專利權）人: 清華大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/194;G06K9/62
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 張超艷;董永輝

1.一種基于圖神經網絡的醫療影像分析方法，其特征在于，包括：

對染色的病理組織切片的醫療影像進行切割，切割成多個圖像塊；

采用圖像背景分離檢測算法將顯示在有效組織區域之中的圖像塊被保留，其余的則被舍棄，所述有效組織區域為包含病理組織的區域；

對保留的圖像塊進行細胞切割和特征提取，獲得細胞的特征信息，所述特征信息包括：細胞的位置、顏色和幾何信息；

根據細胞的特征信息生成保留的圖像塊對應的特征圖，其中，所述特征圖的節點代表細胞及細胞的特征信息，所述特征圖的邊代表相鄰細胞的連接及距離；

采用圖神經網絡根據特征圖對保留的圖像塊進行分類，獲得圖像塊的類別，所述類別包括癌癥特征圖像塊和非癌癥特征圖像塊；

根據所有保留的圖像塊的類別得到切割前的醫療影像的類別。

2.根據權利要求1所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述圖神經網絡包括卷積層，全局平均池化層和softmax層，所述卷積層將特征圖中節點的特征信息傳播到相鄰節點，所述全局平均池化層將所有節點的特征信息取平均數，而得到圖像塊的全局信息，所述softmax層根據全局信息對圖像塊分類。

3.根據權利要求1所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述圖神經網絡通過Adam優化方法進行優化，學習率設置為0.005，以訓練集：測試集比例為8：2進行測試。

4.根據權利要求3所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述圖神經網絡訓練的步驟包括：

獲得多幅已知分類的醫療影像圖像構成圖像集，將圖像集按照設定的比例進行劃分，一部分所述醫療影像作為訓練集，另一部分所述醫療影像作為測試集；

通過訓練集對圖神經網絡進行訓練，通過測試集評估訓練得到的圖神經網絡的分類的準確性，其中，在圖神經網絡訓練過程中，采用Adam優化方法動態調整學習率。

5.根據權利要求1所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述根據細胞的特征信息生成保留的圖像塊對應的特征圖的步驟包括：

將圖像塊中每個細胞的標識以及其特征信息作為節點；

采用kNN算法獲得每一個節點的臨近節點，將節點與臨近節點之間的距離作為節點與臨近節點之間的邊。

6.根據權利要求1所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述對保留的圖像塊進行細胞切割和特征提取，獲得細胞的特征信息的步驟包括：

利用閾值方法和分水嶺分割算法，對圖像塊進行細胞切割；

利用特征提取方法提取切割后的各細胞或細胞團的特征信息。

7.根據權利要求1所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述采用圖像背景分離檢測算法將顯示在有效組織區域之中的圖像塊被保留的步驟包括：

采用Otsu閾值算法得到醫療影像的背景與病理組織的灰度閾值，并得到有效組織區域；

對有效組織區域運用開閉運算，對生成的有效組織區域的空洞和孤立點進行填充和移除，生成有效組織區域的掩模；

使用掩模對有效組織區域的醫療圖像進行切割，得到含有病理組織的圖像塊。

8.根據權利要求1-7中任一權利要求所述的基于圖神經網絡的醫療影像分析方法，其特征在于，所述根據所有保留的圖像塊的分類得到切割前的醫療影像的分類的步驟包括：

按圖像塊的類別，在原醫療影像的對應位置進行標記；

獲得原醫療影像中最多的圖像塊的類別，作為醫療影像的類別。