[發明專利]軟組織腫瘤病理自動評分方法及系統

在審

• 申請號: 202310363907.3
• 申請日: 2023-04-06
• 公開（公告）號: CN116487027A
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 孟竹;郭麗梅;趙志誠
• 申請（專利權）人: 北京郵電大學;北京大學第三醫院（北京大學第三臨床醫學院）
• 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

本發明提供了一種軟組織腫瘤病理自動評分方法及系統。所述方法包括：準備有特征代表性的軟組織腫瘤的良惡性病例，構建模型訓練所需的數據集；基于數據集及對應的良惡性信息訓練深度學習模型；準備目標測試的軟組織腫瘤病例，并計算其前景圖譜；計算目標病例的滑窗圖像塊的前景占比，并基于深度學習模型計算圖像塊的惡性概率；計算不同模式(大腫瘤良惡性對比評分/小腫瘤惡性評分)下的病理數字全切片的惡性評分并輸出結果。本發明的方案在訓練評分系統的核心模型時不需要采集軟組織腫瘤的所有組織學類型，所構建的自動評分方法及系統可在不參考免疫組化結果的情況下，僅依靠蘇木精伊紅染色的病理切片智能評價軟組織腫瘤的良惡程度，在病理醫生診斷過程中起到快速、便捷、精確的智能輔助效果。

技術領域

本發明涉及圖像處理技術領域，具體為軟組織腫瘤病理自動評分方法及系統。

背景技術

近年來，軟組織腫瘤的發病率不斷攀升，目前已知的病理組織學類型已有百余種。軟組織腫瘤的命名體系復雜，不同類型腫瘤之間常有相似的組織形態學，通常需要大量的免疫組織化學染色以及分子檢測輔助判斷，這些都給病理醫生帶來巨大的挑戰，給患者帶來過度的經濟負荷，也容易延誤臨床病情和處置。從根本上，對于一個軟組織腫瘤是良性還是惡性的區分，直接關系到外科手術的策略、患者的預后和隨診，以及系統化治療的選擇，這些都需要病理醫生在初診觀察蘇木精伊紅(HE)染色組織切片時，即做出相對明確的診斷方向。但是，大部分病理醫生對軟組織腫瘤的診斷經驗遠遠不足，對手術切除標本HE染色切片下的形態特征識別及切緣情況判斷不夠準確，對術前小活檢標本和術中冰凍標本的形態學特征更是難以清晰區分。當下，迫切需要高魯棒性和準確性的人工智能算法模型來輔助病理醫生診斷。本發明即針對軟組織腫瘤病理切片實現多組織學類型的良惡性自動評分，輔助病理醫生提升診斷效率和精度。

發明內容

本發明提供了一種軟組織腫瘤病理自動評分方法及系統，其特征在于，所述方法包括：

步驟1，準備有特征代表性的軟組織腫瘤的良惡性病例，構建模型訓練所需的數據集S_in；

步驟2，基于數據集S_in及對應的良惡性信息訓練深度學習模型M；

步驟3，準備目標測試的軟組織腫瘤病例，并計算其前景圖譜F；

步驟4，計算目標病例的滑窗圖像塊x的前景占比F(x)，并基于深度學習模型M計算圖像塊的惡性得分M(x)；

步驟5，計算不同模式下(大腫瘤良惡性對比評分/小腫瘤惡性評分)的病理數字全切片的良惡性評分并輸出軟組織腫瘤的診斷結果。

具體地，在步驟1中，所述準備有特征代表性的軟組織腫瘤的良惡性病例，構建模型訓練所需的數據集S_in，包括：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字圖像若干，而后在腫瘤內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張圖像塊構成良性數據集惡性腫瘤的N_m張圖像塊構成惡性數據集良惡性數據集共同構成模型訓練所需的數據集S_in＝S_be∪S_ma，每個圖像塊的標簽與所屬軟組織腫瘤的組織學類型一致；

具體地，在步驟2中，所述基于數據集S_in及對應的良惡性信息訓練深度學習模型M，包括：以步驟1中的數據集S_in中的圖像塊為輸入信息，以圖像塊對應的標簽為監督信息，選擇合適的損失函數和深度學習網絡結構，訓練深度學習模型，得到收斂后的推理模型M，用于度量與訓練過程中使用的兩個良惡性數據集的相似程度；