[發(fā)明專利]軟組織腫瘤病理自動評分方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310363907.3
• 申請日: 2023-04-06
• 公開（公告）號: CN116487027A
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 孟竹;郭麗梅;趙志誠
• 申請（專利權(quán)）人: 北京郵電大學(xué);北京大學(xué)第三醫(yī)院（北京大學(xué)第三臨床醫(yī)學(xué)院）
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H70/60;G06F18/214;G06F18/241
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.軟組織腫瘤病理自動評分方法及系統(tǒng)，其特征在于，所述方法包括以下步驟：

步驟1，準(zhǔn)備有特征代表性的軟組織腫瘤的良惡性病例，構(gòu)建模型訓(xùn)練所需的數(shù)據(jù)集S_in。

步驟2，基于數(shù)據(jù)集S_in及對應(yīng)的良惡性信息訓(xùn)練深度學(xué)習(xí)模型M。

步驟3，準(zhǔn)備目標(biāo)測試的軟組織腫瘤病例，并計算其前景圖譜F，具體為：將高分辨率的待測軟組織腫瘤病理數(shù)字圖像X降采樣至合適的分辨率，通過二值化算法過濾掉大面積無組織背景，得到低分辨率的前景圖譜，而后映射到高分辨率圖像，得到與病理數(shù)字圖像X等尺寸的前景圖譜F。

步驟4，計算目標(biāo)病例的滑窗圖像塊x的前景占比F(x)，并基于深度學(xué)習(xí)模型M計算圖像塊的惡性得分M(x)。

步驟5，計算不同模式(大腫瘤良惡性對比評分/小腫瘤惡性評分)下的病理數(shù)字全切片的良惡性評分并輸出軟組織腫瘤的診斷結(jié)果，具體為：將步驟4中推理所得的每一個圖像塊x的良惡性度量結(jié)果M(x)通過歸一化函數(shù)約束到取值范圍[0，1]，得到N[M(x)]。所述大腫瘤良惡性對比評分模式，包括：針對待測目標(biāo)切片X所裁剪的若干個小尺寸圖像塊x，計算較大腫瘤全切片的良惡性區(qū)域?qū)Ρ仍u分S_STT-10，S_STT-1取值越大表示包含惡性腫瘤可能性越大且惡性腫瘤在切片中的面積占比越大。所述小腫瘤惡性可能性評分模式，包括：針對待測目標(biāo)切片X所裁剪的若干個小尺寸圖像塊x，將N[M(x)]大于閾值t圖像塊視為正樣本，其余視為負(fù)樣本，獲得正樣本連通域集合Set(C)，假設(shè)Set(C)中每一個連通域C包含N_STT-2個小尺寸圖像塊，計算每一個連通域C的惡性腫瘤評分而后較小腫瘤全切片的惡性腫瘤存在可能性評分為S_STT-2＝max[S_STT-2(C)]，S_STT-2∈[0，100％]，S_STT-2取值越大表示包含惡性腫瘤可能性越大。

2.如權(quán)利要求1所述的軟組織腫瘤病理自動評分方法及系統(tǒng)，其特征在于，在步驟1中，所述準(zhǔn)備有特征代表性的軟組織腫瘤的良惡性病例，構(gòu)建模型訓(xùn)練所需的數(shù)據(jù)集S_in，具體為：選擇具有特征代表性的良惡性軟組織腫瘤病例組織若干，石蠟包埋或者冰凍后進(jìn)行切片，使用蘇木精伊紅等染料染色，通過掃描儀掃描獲取多級倍率的病理數(shù)字圖像若干，而后在腫瘤內(nèi)部以一定步長有重疊地裁剪邊長為l的圖像塊x，良性腫瘤的N_b張圖像塊構(gòu)成良性數(shù)據(jù)集惡性腫瘤的N_m張圖像塊構(gòu)成惡性數(shù)據(jù)集良惡性數(shù)據(jù)集共同構(gòu)成模型訓(xùn)練所需的數(shù)據(jù)集S_in＝S_be∪S_ma，每個圖像塊的標(biāo)簽與所屬軟組織腫瘤的組織學(xué)類型一致。

3.如權(quán)利要求1所述的軟組織腫瘤病理自動評分方法及系統(tǒng)，其特征在于，在步驟2中，所述基于數(shù)據(jù)集S_in及對應(yīng)的良惡性信息訓(xùn)練深度學(xué)習(xí)模型M，具體為：以步驟1中的數(shù)據(jù)集S_in中的圖像塊為輸入信息，以圖像塊對應(yīng)的標(biāo)簽為監(jiān)督信息，選擇合適的損失函數(shù)和深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練深度學(xué)習(xí)模型，得到收斂后的推理模型M，用于度量與訓(xùn)練過程中使用的兩個良惡性數(shù)據(jù)集的相似程度。

4.如權(quán)利要求1所述的軟組織腫瘤病理自動評分方法及系統(tǒng)，其特征在于，在步驟3中，所述準(zhǔn)備目標(biāo)測試的軟組織腫瘤病例，計算目標(biāo)測試病例的前景圖譜F，具體為：選擇目標(biāo)測試的軟組織腫瘤病例，該病例既可以是步驟1中的數(shù)據(jù)集S_in所囊括的組織學(xué)類型，也可以是沒有出現(xiàn)過的不同器官的、不同組織學(xué)類型的軟組織腫瘤病例，并掃描成計算機(jī)可處理的高分辨率數(shù)字圖像X。而后，將高分辨率的待測軟組織腫瘤病理數(shù)字圖像X降采樣至合適的分辨率，通過二值化算法過濾掉大面積無組織背景，包括但不限于大津法(OTSU二值化算法)、灰度閾值二值化、轉(zhuǎn)換至HSV或LAB顏色空間后閾值二值化、基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的背景過濾算法等，得到低分辨率的前景圖譜，而后上采樣映射到高分辨率圖像，得到與病理數(shù)字圖像X等尺寸的前景圖譜F。