[發(fā)明專利]一種全視野數(shù)字病理切片的病灶區(qū)域分類方法及其系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010923734.2
• 申請日: 2020-09-04
• 公開（公告）號: CN112084930A
• 公開（公告）日: 2020-12-15
• 發(fā)明（設計）人: 黃曉陽;王連生
• 申請（專利權）人: 廈門大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門致群財富專利代理事務所(普通合伙) 35224
• 代理人: 劉兆慶

1.一種全視野數(shù)字病理切片的病灶區(qū)域分類方法，其特征在于：該方法包括如下步驟：

S1、對病理切片圖像進行標注，得到標注后的切片圖像；

S2、對所述標注后的切片圖像進行兩次篩選后得到的圖像塊作為訓練集；

S3、將所述訓練集輸入CSResNet系統(tǒng)進行分類學習訓練；

S4、將擬被分類的全視野數(shù)字病理切片按所述步驟S1、S2進行預處理，然后輸入所述CSResNet系統(tǒng)進行分類，得到分類結果。

2.如權利要求1所述的一種全視野數(shù)字病理切片的病灶區(qū)域分類方法，其特征在于：所述病理切片圖像是由全視野數(shù)字病理切片切成較小的病理切片圖像獲得；所述標注是用閾值分割的方法分割出所述病理切片圖像中的病理組織區(qū)域，然后使用滑動窗口滑過所述病理切片圖像，根據(jù)設定的閾值，將病理組織區(qū)域占比超過閾值的所述病理切片圖像篩選出來，并標注出病灶區(qū)域。

3.如權利要求2所述的一種全視野數(shù)字病理切片的病灶區(qū)域分類方法，其特征在于：所述閾值分割的方法包括大津閾值分割法。

4.如權利要求1所述的一種全視野數(shù)字病理切片的病灶區(qū)域分類方法，其特征在于：所述兩次篩選由一次篩選和二次篩選組成，所述一次篩選具體為：使用滑動窗口滑過所述標注后的切片圖像，將背景區(qū)域與正常組織區(qū)域占比大于閾值的圖像塊篩掉，將篩選后的圖像塊用于二次篩選；所述二次篩選具體為：從一次篩選后的圖像塊中再篩選掉同時包含多種不同疾病病灶的圖像塊，篩選方法與一次篩選相同，將剩余的只包含單一類別病灶區(qū)域的圖像塊作為訓練集。

5.如權利要1所述的一種全視野數(shù)字病理切片的病灶區(qū)域分類方法，其特征在于：所述分類學習訓練具體為：將訓練集的圖像塊輸入CSResNet系統(tǒng)后，由卷積模塊處理后，輸入到殘差注意力模塊進行處理，再由全局平均池化層壓縮1×1×c的特征向量，最后由所述特征向量判斷輸入圖像塊的病灶區(qū)域的類別。

6.一種全視野數(shù)字病理切片的病灶區(qū)域分類系統(tǒng)，其特征在于：所述CSResNet系統(tǒng)包括卷積模塊、殘差注意力模塊和全局平均池化層；所述卷積模塊由卷積層和池化層組成；所述殘差注意力模塊由通道注意力分支、空間注意力分支和恒等映射分支組成。

7.如權利要6所述的一種全視野數(shù)字病理切片的病灶區(qū)域分類系統(tǒng)，其特征在于：

所述通道注意力分支先由壓縮操作F_sq(·)將特征圖像U壓縮為1×1×c的特征向量，然后經(jīng)過激發(fā)操作F_ex(·,W)，由1×1的卷積層學習特征向量中對應特征圖像U每一個通道的權重，最后將特征向量逐通道的和特征圖像U相乘；

所述空間注意力分支將特征圖U先編碼器壓縮特征圖U，再由解碼器恢復被壓縮特征圖U的空間結構，然后經(jīng)過卷積操作及Sigmoid函數(shù)激活生成單通道的權值掩碼，最后將權值掩碼在空間維度上逐元素的和輸入特征圖U相乘；

所述恒等映射分支將輸入的特征圖U直接傳遞到后續(xù)網(wǎng)絡，在殘差注意力模塊末端，將三個分支生成的特征圖逐像素相加，輸出最終的特征圖。