[發(fā)明專利]一種基于弱監(jiān)督學(xué)習(xí)的胃鏡病理圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010690425.5
• 申請(qǐng)日: 2020-07-17
• 公開（公告）號(hào): CN111985536A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計(jì)）人: 丁偕;張敬誼;劉全祥;王瑜;韋金江;劉鳴
• 申請(qǐng)（專利權(quán)）人: 萬達(dá)信息股份有限公司;上海復(fù)高計(jì)算機(jī)科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46;G06K9/34;G06N3/04;G06N3/08;G06T5/00;G06T5/30;G06F21/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發(fā)明提供了一種基于弱監(jiān)督學(xué)習(xí)的胃鏡病理圖像分類方法。針對(duì)胃鏡數(shù)字病理圖像標(biāo)注成本高昂，難以獲得大型標(biāo)注數(shù)據(jù)集的問題，本發(fā)明利用易于獲取的粗粒度標(biāo)簽構(gòu)建的大型胃鏡病理圖像數(shù)據(jù)集訓(xùn)練得到弱監(jiān)督網(wǎng)絡(luò)模型。通過獲得的弱監(jiān)督網(wǎng)絡(luò)模型提取胃鏡病理圖像特征，進(jìn)一步融合胃鏡病理圖像全局和局部的定性特征，最后通過隨機(jī)森林分類器實(shí)現(xiàn)對(duì)整張胃鏡病理圖像的陰性和陽性分類。利用本發(fā)明提供的基于弱監(jiān)督的胃鏡病理圖像分類方法，可以為病理醫(yī)生提供病理數(shù)據(jù)的篩查信息，輔助臨床病理醫(yī)生的診斷工作，提升其工作效率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于弱監(jiān)督學(xué)習(xí)的胃鏡病理圖像分類方法，屬于醫(yī)學(xué)圖像計(jì)算機(jī)輔助診斷技術(shù)領(lǐng)域。

背景技術(shù)

全視野數(shù)字病理切片(Whole Slide Image，WSI)是利用全自動(dòng)顯微鏡掃描平臺(tái)把傳統(tǒng)玻璃切片進(jìn)行高精度的全面掃描，并無縫拼接，生成的整張全視野數(shù)字圖像。原始的數(shù)字病理切片圖像尺寸十分龐大，一張40倍放大的電子病理切片通常由超過十億個(gè)像素點(diǎn)組成。這使得病理醫(yī)生必須花費(fèi)大量的時(shí)間檢查數(shù)字病理圖像，在上億級(jí)像素的圖片中識(shí)別微小的癌細(xì)胞，工作強(qiáng)度非常的大。

深度學(xué)習(xí)(Deep Learning，DL)是一種近年來非常熱門的機(jī)器學(xué)習(xí)方法，尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)近年來在醫(yī)學(xué)影像領(lǐng)域有著廣泛的應(yīng)用，其在醫(yī)學(xué)圖像的目標(biāo)分類與設(shè)別、定位與檢測(cè)、組織器官與病灶的分割等方面取得了很大進(jìn)展，為臨床醫(yī)學(xué)中各種重大疾病的篩查、診斷、治療計(jì)劃、療效評(píng)估和隨訪提供了科學(xué)的方法和先進(jìn)的技術(shù)。當(dāng)前醫(yī)療領(lǐng)域的深度學(xué)習(xí)主要使用監(jiān)督學(xué)習(xí)的方式進(jìn)行模型的訓(xùn)練和后期的測(cè)試應(yīng)用，且已經(jīng)取得了巨大的成功，但其嚴(yán)重地依賴于數(shù)據(jù)資源，需要大量標(biāo)注的數(shù)據(jù)樣本才能發(fā)揮作用。然而，對(duì)于數(shù)字病理圖像，大型標(biāo)注數(shù)據(jù)集的獲取非常困難，需要在40倍放大的數(shù)字病理圖像上面尋找并標(biāo)注感興趣區(qū)域，同時(shí)為了滿足模型學(xué)習(xí)的有效性，這些數(shù)據(jù)集需要具有病例的廣泛特異性，這將使得時(shí)間和人力成本非常高昂。

弱監(jiān)督學(xué)習(xí)(Weakly Supervised Learning)是為了解決標(biāo)注樣本不足而產(chǎn)生的一種機(jī)器學(xué)習(xí)方法，通常可以分為三類：

第一類：不完全監(jiān)督(incomplete supervision)：訓(xùn)練數(shù)據(jù)只有一部分具有標(biāo)簽。

第二類：不確切監(jiān)督(inexact supervision)：訓(xùn)練數(shù)據(jù)只具備粗粒度標(biāo)簽。

第三類：不準(zhǔn)確監(jiān)督(inaccurate supervision)：訓(xùn)練數(shù)據(jù)的標(biāo)簽并不總是真值。

其中，不確切監(jiān)督學(xué)習(xí)僅需要圖像級(jí)別的粗粒度標(biāo)簽作為訓(xùn)練數(shù)據(jù)的標(biāo)注，就可以讓深度學(xué)習(xí)模型從足夠大的數(shù)據(jù)集上學(xué)習(xí)到有效特征，從而保證模型的廣泛特異性。胃癌病理圖像具有顯著的特異性特征，有明顯的腺體或者細(xì)胞畸變表現(xiàn)，其特征信息明顯區(qū)別于陰性病理圖像。

發(fā)明內(nèi)容

本發(fā)明的目的是：利用弱監(jiān)督學(xué)習(xí)對(duì)特異信息敏感的特點(diǎn)，通過合理的算法模型設(shè)計(jì)，解決標(biāo)注樣本不足問題，實(shí)現(xiàn)胃鏡數(shù)字病理圖像的自動(dòng)分類判別。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是提供了一種基于弱監(jiān)督學(xué)習(xí)的胃鏡病理圖像分類方法，其特征在于，包括以下步驟：

步驟1、獲取病理圖像并構(gòu)建數(shù)據(jù)庫

采集獲取胃鏡活檢數(shù)字病理圖像，并對(duì)采集到的數(shù)據(jù)進(jìn)行清洗，通過臨床專家對(duì)胃鏡活檢數(shù)字病理圖像進(jìn)行粗粒度標(biāo)注，粗粒度標(biāo)注只涉及胃鏡活檢數(shù)字病理圖像的良、惡性分類，形成胃鏡病理圖像數(shù)據(jù)庫；

步驟2、從胃鏡病理圖像數(shù)據(jù)庫中獲得若干用于對(duì)特征提取網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的胃鏡活檢數(shù)字病理圖像及相應(yīng)的標(biāo)注結(jié)果后進(jìn)入步驟3；

步驟3、圖像預(yù)處理：