[發明專利]一種全景數字病理圖像智能分析系統及方法

有效

• 申請號: 202010237666.4
• 申請日: 2020-03-30
• 公開（公告）號: CN111488921B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 刁頌輝;秦文健;侯嘉馨;田引黎;謝耀欽;熊璟
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/80;G06V10/774;G06V10/82;G06N3/0464
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 耿慧敏

本發明公開了一種全景數字病理圖像智能分析方法和系統。該方法包括：將待分析的病理圖像切片輸入到基于注意力機制的卷積神經網絡模型，進行病理圖像不同尺度的特征，并將所提取的特征進行融合，獲得融合特征；將所述融合特征輸入到經訓練的病理圖像分類器，獲得病理圖像切片是否包含癌變的分類結果。本發明實現智能化地全景數字病理圖像分析，考慮不同尺度的特征并且賦予權重，有效節約人工對數據進行分析歸類的成本，同時避免了對醫生技術水平過度依賴的問題，并大量節省了醫生的人力物力成本，使得更多癌癥患者能夠得到及時診治。

技術領域

本發明涉及醫療圖像處理技術領域，更具體地，涉及一種全景數字病理圖像智能分析系統及方法。

背景技術

目前腫瘤病理診斷和后期統計分析是基于病理醫生工作經驗和知識積累完成分析,其評判結果容易受主觀性影響，癌癥的亞型分類較多，部分亞型之間也有類似的特征，而且大量病理數據人工分析不僅耗時，并且過度疲勞也很容易影響分析結論。根據國際上最新臨床研究成果表明，人工對HE腫瘤細胞核的統計分析很容易產生誤差，細胞核百分比統計過錯評估高達45％，而且分析結果因病理醫生不同有很大的差異性，對于同一腫瘤，操作者間差異性10％-95％動態變化范圍，很容易造成假陰性診斷結果。分析結果不準確將直接影響患者的治療方案，這給患者帶來極大生命危險。病理檢查是目前臨床癌癥診斷的金標準。病理醫生的癌癥診斷主要依賴于通過顯微鏡捕獲的組織樣本圖像的視覺檢查。然而對于病理醫生來說，需要結合自己長期積累的臨床分析經驗來判斷例如鼻炎癌病理切片中是否有癌變，該方法不僅費時，而且對醫生的專業知識要求極高。

近年來，隨著人工智能技術的快速發展，計算機輔助診斷(Computer?AidedDiagnosis，CAD)在醫學領域取得了很大成功。CAD在病理圖像的診斷中的主要方法包括傳統的機器學習和近年較為流行的深度學習。傳統的機器學習需要手動提取圖像特征，然后通過分類器進行分類。該方法的分析效果主要依賴于前期手動特征提取的效果。相比于傳統方法，深度學習無需手動特征提取，能夠自動挖掘病理圖像深層特征，直接進行端到端優化。雖然CAD技術在病理圖像領域已經取得了不少成功，然而，在實際算法的搭建中，仍然是以單一尺度的特征進行分析，而忽略了不同尺度的特征。

總之，目前病理圖像分析存在的主要問題是：病理醫生的診斷需要耗費較長的時間，而且對醫生專業能力要求很高；傳統的機器學習方法對病理圖像進行分析，主要依賴于提取特征的效果，這對研究人員的專業知識要求較高。現有的基于深度卷積網絡的特征提取主要針對單一特征，對不同倍率下的特征考慮較少，而臨床實際診斷均是在圖像的不同尺度下進行分析。

發明內容

本發明的目的是克服上述現有技術的缺陷，提供一種全景數字病理圖像智能分析系統及方法，采用基于注意力機制的深度多尺度特征卷積網絡對數字全景病理圖像進行分類，以解決病理全景圖像因尺度大、形態復雜引起的特征信息表征不充分問題，最終實現數字病理圖像全自動智能分析。

根據本發明的第一方面，提供一種全景數字病理圖像智能分析方法，該方法包括以下步驟：

將待分析的病理圖像切片輸入到基于注意力機制的卷積神經網絡模型，進行病理圖像不同尺度的特征，并將所提取的特征進行融合，獲得融合特征；

將所述融合特征輸入到經訓練的病理圖像分類器，獲得病理圖像切片是否包含癌變的分類結果。

在一個實施例中，根據以下步驟獲得所述融合特征：

將待分析的病理圖像切片依次輸入所述基于注意力機制的卷積神經網絡的每個特征層進行對應尺度的特征提取，并經處理使得各層特征具有相同的分辨率和通道；

將所提取的特征進行級聯和融合，獲得融合特征；

將融合特征通過一層全連接層后輸入經訓練的病理圖像分類器，得出各類概率。

在一個實施例中，根據以下步驟獲得待分析的病理圖像切片：