[發明專利]一種病理圖像分類方法、設備、系統及存儲介質

有效

• 申請號: 202111484263.0
• 申請日: 2021-12-07
• 公開（公告）號: CN114037699B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 馮云路;張光磊;趙雨;楊愛明;吳東;范廣達;張天翊
• 申請（專利權）人: 中國醫學科學院北京協和醫院;北京航空航天大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/44;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京預立生科知識產權代理有限公司 11736
• 代理人: 李紅偉;孟祥斌

本發明涉及一種病理圖像分類方法、設備、系統及存儲介質。包括：獲取顯微鏡采集到的病理圖像；通過分割網絡得到所述病理圖像的血細胞區域，設置血細胞區域像素為固定值，得到沒有血細胞的病理圖像；將所述沒有血細胞的病理圖像輸入分類模型中，得到分類結果。本發明從病理圖片自身問題出發，具有重要的臨床應用價值。

技術領域

本發明涉及智能醫療技術領域，更具體地，涉及一種病理圖像分類方法、設備、系統及存儲介質。

背景技術

隨著臨床技術的進步，通過病理醫生對病理涂片進行現場診斷的快速現場評估(Rapid on-site evaluation,ROSE)技術帶來了快速高效的診斷優勢，但其對醫生時間的占用以及對資深醫生的需求限制了其推廣與發展。針對活檢樣本的病理圖像使用人工智能的方式進行分析能夠顯著優化當前工作流程，減少對醫生時間的占用并降低對醫生經驗的依賴。

現有研究中有通過深度神經網絡模型進行病理圖片的識別，例如專利CN201810896157.5，將待識別病理圖片輸入預先訓練生成的多個不同類型的深度神經網絡模型，對多個不同類型的深度神經網絡模型得到的初步識別結果進行融合，得到最終識別結果。不過現有的研究都沒有考慮病理圖片本身的問題，比如圖像中有大量的血細胞等噪音，會對人工智能學習時造成信息干擾，影響學習的效率和模型的準確率。

發明內容

為解決上述問題，我們根據病理圖像的特點，建立適用于病理圖像分類方法、設備、系統及存儲介質，為病理圖像的準確識別奠定基礎。

本申請公開了一種病理圖像分類方法，包括：

獲取顯微鏡采集到的病理圖像；

通過分割網絡得到所述病理圖像的血細胞區域，設置血細胞區域像素為固定值，得到沒有血細胞的病理圖像；

將所述沒有血細胞的病理圖像輸入分類模型中，得到分類結果。

進一步，所述固定值和病理圖像背景值接近或等同，優選的，所述固定值為0或255；

可選的，所述分割網絡為語義分割網絡或實例分割網絡。

可選的，所述血細胞包括紅細胞、白細胞和血小板。

進一步，所述分類模型包括特征融合模型和分類器，所述特征融合模型用于提取所述沒有血細胞的病理圖像的特征并融合得到融合后的特征圖，將所述融合后的特征圖輸入所述分類器中，得到分類結果；

可選的，所述特征融合模型包括特征提取模塊、注意力解析模塊和注意力特征融合模塊；

所述特征提取模塊為殘差網絡，用于對所述沒有血細胞的病理圖像進行特征提取，得到不同階段的特征圖；

所述注意力解析模塊用于將不同階段的特征圖輸入注意力解析機制獲得注意力引導信息；

所述注意力特征融合模塊包括自注意力全局模塊與引導注意力模塊，所述自注意力全局模塊用于將上一階段的特征圖通過多頭自注意力層實現全局建模，得到更具傾向性的全局特征圖，所述引導注意力模塊用于將所述自注意力全局建模后的特征圖通過多頭引導注意力層，并承接注意力解析機制獲得的注意力引導信息，得到融合后的特征圖。

進一步，所述特征融合模型包括n個(n為大于1的整數)特征提取模塊、n個(n為大于1的整數)注意力解析模塊和n個(n為大于1的整數)注意力特征融合模塊；

所述特征提取模塊為殘差網絡，用于對所述沒有血細胞的病理圖像進行特征提取，得到第一階段、第二階段到第n階段不同階段的特征圖；

所述注意力解析模塊用于將不同階段的特征圖輸入注意力解析機制獲得第一階段、第二階段到第n階段注意力引導信息；