[發(fā)明專利]一種基于超像素分割與圖卷積的數(shù)字病理圖像分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110585365.5
• 申請日: 2021-05-27
• 公開（公告）號: CN113313164A
• 公開（公告）日: 2021-08-27
• 發(fā)明（設計）人: 王奕;張敬誼;丁偕;張伯強;崔浩陽;黃宗浩;李淵;張暉;朱敏俊;厲勵;張逸魯;高宇;戴梅;黃麒瑋;蔡云飛;曹斌;石強;王正源;王駿杰;于鏌铘;崔敏杰
• 申請（專利權）人: 復旦大學附屬腫瘤醫(yī)院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/00;G06T7/11;G16H30/20
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

本發(fā)明涉及一種基于超像素分割與圖卷積的數(shù)字病理圖像分類方法及系統(tǒng)，所述方法包括以下步驟：S1：使用簡單線性迭代聚類算法SLIC對數(shù)字病理圖像進行超像素分割，獲得超像素的分割區(qū)域；S2：將每個超像素區(qū)域作為圖結構中的節(jié)點，以超像素區(qū)域是否共邊作為節(jié)點之間分配邊的依據(jù)，構建基于數(shù)字病理圖像的圖結構；S3：將構建的所述圖結構的數(shù)據(jù)按照預設的比例隨機分為訓練集、驗證集和測試集，通過訓練、驗證和測試圖卷積神經網絡，獲得最佳的預測模型；S4：基于所述預測模型，對所述數(shù)字病理圖像進行分類。本發(fā)明利用圖卷積神經網絡實現(xiàn)對數(shù)字病理圖像的分類預測，提高了病理圖像分類的準確率。

技術領域

本發(fā)明計算機輔助診斷技術領域，尤其涉及一種基于超像素分割與圖卷積的數(shù)字病理圖像分類方法及系統(tǒng)。

背景技術

規(guī)范統(tǒng)一的病理報告為臨床醫(yī)生提供了充足的信息，但是對于病理指標的形態(tài)學評估給病理醫(yī)生增加了工作量。由于病理活檢技術的成熟和規(guī)范，病理活檢樣本診斷數(shù)量不斷攀升，診斷結果會受到疲勞、主觀經驗等因素的影響。近年來，數(shù)字病理掃描技術和人工智能(AI)的快速發(fā)展給病理形態(tài)學診斷提供了巨大潛能。具體而言是利用深度卷積神經網絡(CNN)提取病理圖像中的高維特征，實現(xiàn)對病理圖像的預測分類。

然而病理醫(yī)生的診斷主要是根據(jù)病理圖像中異常細胞的形態(tài)、結構以及空間分布等因素給出最終的病理分析結果。而傳統(tǒng)的CNN是處理具有像素值的結構化二維陣列圖像，這種結構化的二維陣列形式的數(shù)據(jù)難以表達組織病理學中細胞之間以及腺體之間的關系和組織學特征，也忽略了微觀細胞之間的空間關系，會丟失一些提高模型性能的關鍵特征信息。

由于數(shù)字病理圖像具有極高的分辨率和復雜而豐富的組織學特征，因此如何有效的構建數(shù)字病理圖的圖結構，從而利用圖卷積網絡提高數(shù)字病理圖像的分類準確率是目前主要的挑戰(zhàn)。

發(fā)明內容

本發(fā)明的主要目的在于克服現(xiàn)有技術的缺點與不足，提供一種基于超像素分割與圖卷積的數(shù)字病理圖像分類方法及系統(tǒng)，該方法將超像素分割和圖結構相結合，以構建基于數(shù)字病理圖像的圖結構，從而利用圖卷積神經網絡實現(xiàn)對數(shù)字病理圖像的分類預測，提高了病理圖像分類的準確率。

根據(jù)本發(fā)明的一個方面，本發(fā)明提供了一種基于超像素分割與圖卷積的數(shù)字病理圖像分類方法，所述方法包括以下步驟：

S1：使用簡單線性迭代聚類算法SLIC對數(shù)字病理圖像進行超像素分割，獲得超像素的分割區(qū)域；

S2：將每個超像素區(qū)域作為圖結構中的節(jié)點，以超像素區(qū)域是否共邊作為節(jié)點之間分配邊的依據(jù)，構建基于數(shù)字病理圖像的圖結構；

S3：將構建的所述圖結構的數(shù)據(jù)按照預設的比例隨機分為訓練集、驗證集和測試集，通過訓練、驗證和測試圖卷積神經網絡，獲得最佳的預測模型；

S4：基于所述預測模型，對所述數(shù)字病理圖像進行分類。

優(yōu)選地，所述步驟S1包括：

S11：初始化種子點，即初始化聚類中心，設定需要分割的超像素數(shù)量；

S12：在種子點n×n鄰域內根據(jù)像素點梯度值重新選擇種子點，以避免種子點落在梯度較大的邊緣上；

S13：在每個種子點周圍的鄰域內為每個像素點分配類標簽，確定像素點所屬的聚類中心；

S14：進行距離度量，對于每個檢索到的像素點分別計算它到該種子點之間的距離。

優(yōu)選地，所述步驟S2包括：

S21：利用SLIC算法對數(shù)字病理圖像進行超像素分割，獲得超像素分割區(qū)域；

S22：將每個超像素分割區(qū)域作為圖結構中的節(jié)點，節(jié)點數(shù)量為n；

S23：利用CNN網絡對每個分割區(qū)域進行低維度編碼，作為每個節(jié)點的特征信息，節(jié)點的特征維度為d；