[發(fā)明專利]甲狀腺切片圖像分類模型訓(xùn)練方法、裝置

有效

• 申請?zhí)枺?/td>: 202110285736.8
• 申請日: 2021-03-17
• 公開（公告）號: CN113139931B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計）人: 武卓越;田雪葉;楊林;崔磊
• 申請（專利權(quán)）人: 杭州迪英加科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 杭州華知專利事務(wù)所(普通合伙) 33235
• 代理人: 張德寶

本申請涉及一種甲狀腺切片圖像分類模型訓(xùn)練方法、裝置。所述方法包括：獲取預(yù)設(shè)放大倍數(shù)下甲狀腺切片圖像；對所述甲狀腺切片圖像劃分成多個互不重疊的預(yù)設(shè)大小的圖像塊；對所述圖像塊，通過圖像塊分類模型進行分類，獲得所述圖像塊為惡性腫瘤的概率；所述圖像塊分類模型訓(xùn)練過程中，采用優(yōu)化損失函數(shù)，通過反向傳播算法調(diào)整模型參數(shù)；將所述概率映射到，與其對應(yīng)的所述圖像塊在所述甲狀腺切片圖像的位置，獲得所述甲狀腺切片圖像的概率熱圖；從所述概率熱圖中提取腫瘤的特征值輸入SVM分類器進行訓(xùn)練，獲得甲狀腺切片圖像分類模型。采用本方法能夠提高模型分類的精確度。

技術(shù)領(lǐng)域

本申請涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種甲狀腺切片圖像分類模型訓(xùn)練方法、裝置。

背景技術(shù)

近幾十年來甲狀腺癌的全球發(fā)病率持續(xù)上升，增長速度在所有實體瘤中名列前茅，發(fā)病率每年以6％的速度遞增。目前甲狀腺癌仍以手術(shù)治療為主，由于甲狀腺術(shù)中的冰凍切片對判斷甲狀腺的良惡性的特異性較高，因此臨床上往往依賴常規(guī)術(shù)中冰凍切片來決定進一步的治療方案。但在百億級像素的甲狀腺冰凍切片中尋找腫瘤區(qū)域并判斷切片良惡性對病理醫(yī)生來說存在極大的挑戰(zhàn)，病理醫(yī)生有可能會因為經(jīng)驗不足或疲勞而對甲狀腺冰凍切片解讀錯誤，使患者錯過最佳治療時期。因此可以將深度學(xué)習(xí)應(yīng)用在甲狀腺冰凍切片良惡性判讀方面，輔助醫(yī)生進行疾病診斷，這樣不但可以將醫(yī)生從枯燥的工作中解放出來，而且降低了疾病誤判率。

針對乳腺癌、肺癌等癌癥，一些研究已經(jīng)證明卷積神經(jīng)網(wǎng)絡(luò)是檢測數(shù)字病理切片的有效工具。對于數(shù)字病理圖像全切片分類問題，即判斷數(shù)字病理切片中最嚴重的癌變類型問題，由于百萬級像素的數(shù)字病理切片無法直接送入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，大部分研究者采取的做法是從數(shù)字病理切片中提取N×N大小的圖像塊作為訓(xùn)練數(shù)據(jù)，然后訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)充當(dāng)圖像塊分類器，在預(yù)測時使用N×N大小的窗口從左到右、從上到小劃過數(shù)字病理切片，并使用圖像塊分類器對劃過的窗口盡行分類，最后綜合圖像塊級別的分類結(jié)果得到全切片的分類結(jié)果，可以看到訓(xùn)練的圖像塊分類器的準確與否直接決定數(shù)字化病理切片分類結(jié)果的好壞。但是目前大部分先進的分類網(wǎng)絡(luò)對圖像塊分類時存在嚴重的漏診，這是因為甲狀腺切片中細胞形態(tài)存在多樣性，部分良性腫瘤區(qū)域甚至正常區(qū)域和惡性腫瘤區(qū)域具有相似的視覺特征。正是由于細胞形態(tài)的多樣性直接導(dǎo)致了圖像塊分類器存在嚴重的漏診情況，從而間接導(dǎo)致了全切片分類存在嚴重的漏診情況。但是在臨床診斷中將甲狀腺惡性腫瘤判斷為甲狀腺良性腫瘤甚至是正常組織是不允許出現(xiàn)的，因為這樣的漏診將會直接導(dǎo)致病人錯過最佳治療時期。

總之，現(xiàn)有技術(shù)中根據(jù)甲狀腺切片圖像對甲狀腺腫瘤良惡的判斷方法，易將惡性腫瘤判斷為良性腫瘤的概率較高。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠提高模型分類精度的甲狀腺切片圖像分類模型訓(xùn)練方法、裝置。

一種甲狀腺切片圖像分類模型訓(xùn)練方法，所述方法包括：

獲取預(yù)設(shè)放大倍數(shù)下甲狀腺切片圖像；

對所述甲狀腺切片圖像劃分成多個互不重疊的預(yù)設(shè)大小的圖像塊；

對所述圖像塊，通過圖像塊分類模型進行分類，獲得所述圖像塊為惡性腫瘤的概率；所述圖像塊分類模型訓(xùn)練過程中，采用優(yōu)化損失函數(shù)，通過反向傳播算法調(diào)整模型參數(shù)；

將所述概率映射到，與其對應(yīng)的所述圖像塊在所述甲狀腺切片圖像的位置，獲得所述甲狀腺切片圖像的概率熱圖；

從所述概率熱圖中提取腫瘤特征，輸入SVM分類器進行訓(xùn)練，獲得甲狀腺切片圖像分類模型。

在其中一個實施例中，對所述甲狀腺切片圖像劃分成多個互不重疊的預(yù)設(shè)大小的圖像塊，包括：使用滑動窗口法將所述甲狀腺切片圖像從左到右、從上到下劃成互不重疊的1024×1024圖像。

在其中一個實施例中，在對所述甲狀腺切片圖像劃分成多個互不重疊的預(yù)設(shè)大小的圖像塊之后，包括：過濾背景占比超過50％的圖像塊。