[發明專利]一種全視野數字病理切片的病灶區域分類方法及其系統

在審

• 申請號: 202010923734.2
• 申請日: 2020-09-04
• 公開（公告）號: CN112084930A
• 公開（公告）日: 2020-12-15
• 發明（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

本發明公開了一種全視野數字病理切片的病灶區域分類方法及其系統，構建了CSResNet系統，并對其進行學習訓練，從而實現對全視野數字病理切片中病灶區域的自動分割，并對分割出的病灶區域進行進一步分類，判斷病灶區域的類別。本發明的CSResNet系統中的殘差注意力模塊同時結合通道和空間兩個方向注意力機制，使網絡能夠將學習重心轉移到特征圖中能夠決定輸入圖像類別的關鍵區域，具有較高的計算效率、分類精度和識別能力。

技術領域

本發明涉及圖像處理技術領域，特別涉及一種全視野數字病理切片的病灶區域分類方法及其系統。

背景技術

全視野數字病理切片是利用全自動顯微鏡掃描儀以及計算機技術，將病理切片可視化為高分辨率的數字圖像，一般是上億像素的數字圖像，信息量大。而面對如此復雜的圖像，病理醫生要從中尋找病灶區域并判斷其類別，需要耗費較長時間進行分析，效率較低。因此，我們迫切需要實現全視野數字病理切片的自動分析，從而提高病灶區域的分類效率。

發明內容

為解決上述問題，本發明提供了一種全視野數字病理切片的病灶區域分類方法及其系統。

本發明采用以下技術方案：

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；

優選地，所述病理切片圖像是由全視野數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域，然后使用滑動窗口滑過所述病理切片圖像，根據設定的閾值，將病理組織區域占比超過閾值的所述病理切片圖像篩選出來，并標注出病灶區域。

優選地，所述閾值分割的方法包括大津閾值分割法。

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；

優選地，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，將背景區域與正常組織區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域的圖像塊作為訓練集。

S3、將所述訓練集輸入CSResNet系統進行分類學習訓練，所述CSResNet系統包括卷積模塊、殘差注意力模塊和全局平均池化層；

優選地，所述分類學習訓練具體為：將訓練集的圖像塊輸入CSResNet系統后，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域的類別。

優選地，所述卷積模塊由卷積層和池化層組成；

優選地，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。

優選地，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，然后經過激發操作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；

優選地，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，然后經過卷積操作及Sigmoid函數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；

優選地，所述恒等映射分支將輸入的特征圖U直接傳遞到后續網絡，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。