[發明專利]一種基于卷積神經網絡的前列腺癌組織微陣列分級方法

在審

• 申請號: 202010876490.7
• 申請日: 2020-08-27
• 公開（公告）號: CN111899259A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 黃夢醒;單怡晴;張雨;馮文龍;馮思玲;吳迪
• 申請（專利權）人: 海南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 海口漢普知識產權代理有限公司 46003
• 代理人: 麥海玲

本發明提供一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，該方法包括：采集前列腺癌組織微陣列圖像數據；對前列腺癌組織微陣列圖像數據進行預處理；基于預處理后的前列腺癌組織微陣列圖像數據建立圖像分割模型，將前列腺癌組織微陣列圖像數據輸入到圖像分割模型中；將圖像分割模型的輸出結果恢復到與原始圖像相同的尺寸；將圖像分割模型預測結果與專家標注結果進行一致性檢驗比較，輸出比較結果。本發明能通過多尺度自注意網絡來融合深層和淺層的特征，同時對各個尺度的特征進行監督，可以減少網絡參數，提高計算效率，并在標注完整的數據集上驗證了方法有效性。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于卷積神經網絡的前列腺癌組織微陣列分級方法。

背景技術

在最新的全球癌癥統計報告中，男性病例中最常見的肺癌(14.5％)，其次是前列腺癌(13.5％)，男性患癌率最高的疾病是前列腺癌的國家已經超過100個。在傳統的前列腺癌診斷過程中，病理學專家通過穿刺活檢取得病例樣本，經過HE染色得到病理圖像并在顯微鏡下觀察細胞的組織形態模式，確認該組織中是否有癌癥存在并進行Gleason評級，但容易受到病理學專家觀察者之間主觀因素的影響，且手工標注工作量大耗時高效率低。

Gleason評級模式在評估前列腺癌組織微陣列中是被廣泛接受且認可的一種標準，不僅僅能作為病理學的評價指標，也能在臨床診斷中為醫生診斷提供可靠的依據。Gleason中前列腺癌微陣列組織被分為五種生長模式，1到5對應不同細胞組織形態，從預后較好，與正常組織基本無差別到預后較差，細胞分化較差的組織，1和2在前列腺癌診斷中較少出現。按照生長模式的占比大小，將一張病理切片的生長模式分為主要結構和次要結構，最終評分結果由主要結構和次要結構相加得出，根據分數不同歸類為不同的預后組，當不超過6分時通常有較好的預后結果。近幾年出現的前列腺癌TMAs格里森自動分級方法主要是基于分類器，該方法通過提取特征組織，然后對所選擇的特征使用如SVM(支持向量機)、隨機森林或Bayesian分類器等進行分類，基于分類器的研究過度依賴于數據集，且每個架構之間復用性有限，且需要精確定位ROIs。

綜上，現有的基于分類器的Gleason自動分級方法導致Gleason的自動分級效率不高，耗時長，復用性不高。

發明內容

本發明的目的在于提供一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，以克服或至少部分解決現有的基于分類器的Gleason自動分級方法所存在的上述問題。

本發明第一方面提供一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，所述方法包括：

S1、采集前列腺癌組織微陣列圖像數據；

S2、對前列腺癌組織微陣列圖像數據進行預處理；

S3、基于預處理后的前列腺癌組織微陣列圖像數據建立圖像分割模型，將前列腺癌組織微陣列圖像數據輸入到圖像分割模型中；

S4、將圖像分割模型的輸出結果恢復到與原始圖像相同的尺寸；

S5、將圖像分割模型預測結果與專家標注結果進行一致性檢驗比較，輸出比較結果。

進一步的，所述步驟S2、對前列腺癌組織微陣列圖像數據進行預處理，具體包括：

S21、對前列腺癌組織微陣列圖像數據進行resize操作；

S22、通過圖像變換算法對前列腺癌組織微陣列圖像數據進行數據增強，擴充數據集。

進一步的，所述步驟S3、基于預處理后的前列腺癌組織微陣列圖像數據建立圖像分割模型，將前列腺癌組織微陣列圖像數據輸入到圖像分割模型中，具體包括：

S31、將預處理后的前列腺癌組織微陣列圖像數據作為圖像分割模型的輸入；