[發(fā)明專利]基于深度學習的多種染色病理圖像分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011142354.1
• 申請日: 2020-10-23
• 公開（公告）號: CN112348059A
• 公開（公告）日: 2021-02-09
• 發(fā)明（設(shè)計）人: 萬濤;秦曾昌;孫中杰;季君予
• 申請（專利權(quán)）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08;G06T7/00;G06T7/11;G06T7/33;G06T7/90
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于深度學習的多種染色病理圖像分類方法及系統(tǒng)，主要包括如下部分：通過深度學習技術(shù)自動從多種染色病理圖像中提取豐富的圖像特征，利用深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建病理圖像分類模型，采用自注意力機制融合來自多種染色病理圖像的醫(yī)學信息，并依據(jù)融合后的信息進行多種染色病理圖像分類。所述方法利用人工智能以及深度學習技術(shù)，有效地融合了多種染色的病理圖像特征，實現(xiàn)了多種染色病理圖像的準確分類，有助于提高病理診斷效率和準確率，為臨床醫(yī)師提供臨床決策支持。

技術(shù)領(lǐng)域

本發(fā)明涉及生物醫(yī)學信息技術(shù)，人工智能技術(shù)領(lǐng)域，具體而言，涉及一種基于深度學習的多種染色病理圖像分類方法及系統(tǒng)。

背景技術(shù)

組織病理學檢查是從患者的機體器官或組織中提取病變標本，通過制成病理切片，在顯微鏡下觀察其病理變化以及形態(tài)學改變，最終確定疾病類型以及嚴重程度。病理切片通常采用不同的染料物質(zhì)染以各種顏色，以顯現(xiàn)不同的病變信息，幫助醫(yī)生進行疾病診斷。例如，對主動脈瘤中膜變性進行診斷時，醫(yī)生常使用蘇木精-伊紅染色(Hematoxylin-Eosin，HE)、阿米巴滋養(yǎng)體染色(Alcian Blue and Periodic Acid-Schiff，AB-PAS)、馬松三色(Masson Trichrome)染色,平滑肌肌動蛋白(Actin,Smooth Muscle，SMA)染色和膠原纖維(Van Gieson，VG)染色等五種染色相結(jié)合的方式進行觀察和診斷。然而，在臨床診斷中，使用多種染色的病理圖像不僅增加了醫(yī)生的工作量，其過程費時費力，并且常常依賴醫(yī)生的臨床經(jīng)驗，具有主觀性強、精確度低、可重復性差等缺點。因此，設(shè)計和開發(fā)應(yīng)用于多種染色病理圖像的計算機輔助分析系統(tǒng)具有臨床意義和實用價值。

隨著計算機運算速度的不斷提升和算法設(shè)計的日臻完善，人工智能尤其是深度學習技術(shù)在醫(yī)學輔助診斷和臨床決策中的應(yīng)用日趨成熟。基于深度學習的計算機輔助分析系統(tǒng)，能夠有效地處理大規(guī)模高精度的病理圖像，幫助臨床醫(yī)師提高工作效率和診斷準確率。

本發(fā)明公開提供了一種基于深度學習的多種染色病理圖像分類方法及系統(tǒng)。該方法采用深度學習技術(shù)，構(gòu)建多種染色病理圖像的多分類網(wǎng)絡(luò)模型，自動提取來自多種染色病理圖像的特征，采用自注意力機制有效融合多種圖像特征，基于融合后的醫(yī)學信息實現(xiàn)多種染色病理圖像的準確分類。所述方法為臨床醫(yī)生提供輔助信息，提升人工判讀的效率和準確率。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)中多種染色病理圖像的自動分類問題，本發(fā)明公開提供了一種基于深度學習的多種染色病理圖像分類方法及系統(tǒng)，構(gòu)建深度多分類網(wǎng)絡(luò)模型，高效提取大規(guī)模高精度的多種染色病理圖像特征，避免了提取圖像特征時人工介入導致的主觀差異以及提取高質(zhì)量特征困難等問題，并且融合來自不同染色的病理圖像的大量醫(yī)學信息，實現(xiàn)多種染色病理圖像的準確分類，為建立基于病理圖像的計算機輔助分析系統(tǒng)提供技術(shù)基礎(chǔ)，從而減輕病理醫(yī)生的工作負擔，提高診斷效率和準確率。

第一方面，本發(fā)明實施例提供了一種基于深度學習的多種染色病理圖像分類方法及系統(tǒng)，包括以下步驟：針對待分類的多種染色病理圖像進行數(shù)據(jù)采集和圖像標注；對采集后的所述多種染色病理圖像進行預處理；通過預先訓練好的基于深度學習的多種染色病理圖像分類網(wǎng)絡(luò)模型，對預處理后的所述多種染色病理圖像自動提取特征，并執(zhí)行基于多種染色的圖像特征融合操作，獲取多種染色病理圖像分類結(jié)果。

在其中一個實施例中，所述針對待分類的多種染色病理圖像進行數(shù)據(jù)采集和圖像標注，包括：從醫(yī)院信息系統(tǒng)中篩選出病灶位置包含多張不同染色的病理圖像，由經(jīng)驗豐富的病理科醫(yī)師依據(jù)病灶的區(qū)域和類型，在多種染色病理圖像上相應(yīng)位置進行標注。

在其中一個實施例中，所述對采集后的所述多種染色病理圖像進行預處理，包括：對采集后的所述多種染色病理圖像依次執(zhí)行圖像配準操作、顏色歸一化操作、數(shù)據(jù)增強操作和構(gòu)建數(shù)據(jù)集操作。