[發明專利]一種食管鱗狀上皮異型增生圖像的處理方法、系統及介質

有效

• 申請號: 202110061312.3
• 申請日: 2021-01-18
• 公開（公告）號: CN112819042B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 金木蘭;王瑩;祝闖;石中月;劉軍;段佳佳;羅毅豪
• 申請（專利權）人: 首都醫科大學附屬北京朝陽醫院;北京郵電大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/40;G16H30/20;G16H50/20
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

本發明涉及一種食管鱗狀上皮異型增生圖像的處理方法、系統和介質，包括：將病理全切片數字圖像分為訓練集和驗證集，并對其進行預處理；將經過預處理的圖像分為ESD標本圖像和活體標本圖像，對ESD標本進行分層，對EDS層進行評估，并提取ESD標本圖像和活檢標本圖像的特征值；將訓練集中圖像的特征值按照細胞核或組織進行特征分組聚合，并采用經過特征分組聚合后的特征值對圖像處理模型進行訓練，獲得最優的圖像處理模型；采用驗證集中圖像的特征值對最優的圖像處理模型進行驗證；將待測圖像輸入最優的圖像處理模型中獲得待測圖像中異型增生細胞或組織類型。其在缺少精確標記醫學影像下，解決了細胞組織圖形學特征提取的問題。

技術領域

本發明涉及一種食管鱗狀上皮異型增生圖像的處理方法、系統和介質，屬于醫療圖像處理技術領域。

背景技術

食管癌是全世界最常見的惡性腫瘤之一，而我國是食管癌最高發的國家之一。多數食管癌確診時已為晚期，導致整體預后不良，如果能早發現、早診斷、早治療，患者的5年生存率可超過90％。由于分化程度不同，腫瘤的細胞形態和組織結構與相應的正常組織有不同程度的差異，這種差異稱為異型性。食管鱗狀上皮異型增生是癌前病變的一種，是食管鱗狀上皮內出現異型性細胞且不伴有浸潤。食管鱗狀上皮異型增生分為低級別異型增生和高級別異型增生，異型性分析對判斷食管鱗狀上皮異型增生至關重要，若是細胞具有重度異型性，病變細胞層數雖未超過上皮層數的1/2，也需判定為高級別異型增生，但是低級別異型增生一定是細胞具有輕度異型性且病變細胞層數不能超過上皮層數的1/2。細胞極向是否紊亂、細胞是否重疊(細胞間距過小、不等)是結構異型性重要指標。

病理圖像的計算機輔助診斷通過識別病灶并且對組織區域的級別進行預判給出診斷決策參考，以借助深度卷積神經網絡技術反映組織細胞的生物學行為和形態學特征，同時反映在組織結構和細胞形態上不同程度的形態差異。深度卷積神經網絡技術在多數計算機視覺任務中取得了驕人的成績，但也有不小的弱點：一方面深度學習網絡要求海量的標注訓練數據，這對于注重隱私的醫學圖像數據集來講難以實現；另一方面，深度卷積神經網絡的數據輸入和輸出之間的空間中具有多層不可見不可解釋的非線性激活操作，這通常被稱為“黑盒”，即無法讓使用者明白每個參數的含義，即只能做出“判斷”，而無法提高臨床醫師的知識。基于傳統病理分析的病理分析方法提取的特征數量有限，所設計的特征適應能力較弱，應用成本高。機器學習的方法以數據驅動的方式分析任務，能自動地從特定問題的大規模數據集中學習相關模型特征和數據特性，但通常需要復雜的網絡結構，無法建立具備可解釋性的診斷方案。

當前食管鱗狀上皮異型增生圖像處理的兩個主要問題是：判斷異型性難：低級別異型增生與高級別異型增生在細胞異型性上，可以利用核長軸、短軸值，細胞間距、細胞形狀來區分；可是在結構異型性上，難以針對活檢標本、內鏡下切除標本反映出不同結構異型性。建立高效低耗的數值特征提取難：現有的深度卷積神經網絡學習模型，缺乏相應的高效神經網絡結構以進行興趣區域內數值特征的提取、判別。

發明內容

針對上述問題，本發明的目的是提供了一種食管鱗狀上皮異型增生圖像的處理方法、系統和介質，其同時結合人工病理的經驗優勢與人工智能的圖像處理能力優勢相結合，在缺少大量精確標記醫學影像數據普遍情況下，使用無監督學習的方法解決了病理圖像中細胞、組織的圖形學數值特征的提取難題。

為實現上述目的，本發明采取以下技術方案：一種食管鱗狀上皮異型增生圖像的處理方法，包括以下步驟：S1將病理全切片數字圖像分為訓練集和驗證集，分別對訓練集和驗證集中的圖像進行預處理；S2將所有經過預處理的圖像分為ESD標本圖像和活體標本圖像，對ESD標本進行組織學分類，對EDS標本病理診斷進行評估，并提取ESD標本圖像和活檢標本圖像的特征值；S3將訓練集中圖像的ESD標本圖像和活檢標本圖像的特征值按照細胞核或組織進行特征分組聚合，并采用經過特征分組聚合后的特征值對若干個圖像處理模型分別進行訓練；S4根據驗證集中圖像的ESD標本圖像和活檢標本圖像的特征值對若干個圖像處理模型進行評分，將評分最高的圖像處理模型作為最優的圖像處理模型；S5將待測圖像輸入最優的圖像處理模型中獲得待測圖像中異型增生細胞或組織類型。