[發明專利]一種病理切片圖像病變分級分類檢測方法

在審

• 申請號: 202310578843.9
• 申請日: 2023-05-22
• 公開（公告）號: CN116597218A
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 張淼;鄒春柳;蔣萍;趙虹博;王艷;沈毅
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V20/70;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 呂洪娟

本發明公開了一種病理切片圖像病變分級分類檢測方法，所述方法包括如下步驟：步驟一：利用基于歸一化互信息配準的自動化標簽標注方法對裁剪后的圖像標注標簽，生成數據集；步驟二：對DenseNet121網絡進行改進，引入焦點損失函數平衡多個組織樣本之間的權重；步驟三：在改進后的DenseNet121中的每一個稠密塊和轉換層中間加入混合注意力模塊，并將局部監督函數加入到修改后網絡的損失函數中；步驟四：將步驟二和步驟三中的兩個改進網絡系統結合，形成針對病變的分級分類檢測方案。本發明能夠提高病變圖像的檢出速度和準確率，從而降低人工識別成本，擴展醫學圖像分類領域應用前景。

技術領域

本發明屬于醫學圖像處理領域，涉及一種醫學病理圖像分類檢測方法，具體涉及一種基于結構優化和局部注意力監督的病理切片圖像病變分級分類檢測方法。

背景技術

病理診斷是癌癥診治中不可或缺的一環，其相比于超聲、CT、核磁共振等有更客觀、更準確的判斷標準。現如今對癌癥腫瘤的篩查方式除了基本的藥物篩查以外，就是制作患者的病理切片，通過具備豐富專業知識和經驗的病理專家對切片一一掃描，人眼觀察判斷患者的組織中是否含有病變組織。這種方法處理過程漫長，病理醫生需要觀察每一位患者的切片，而我國人口基數龐大，具有豐富經驗和專業知識的醫生又相當匱乏，在實際的就醫過程中并不能保證給病理醫生足夠的閱片時間，這也是導致我國病變腫瘤篩查漏診率高的原因之一。此外，腫瘤早期病變特征不明顯，肉眼無法看出早期蟄伏在組織當中的病變特征變化，不同經驗的醫師對于同一病例還存在意見分歧，患者在病毒早期潛伏的情況下沒有得到根本性的治療，面對著種種癌癥極高的致死率卻無能為力。因此，現階段的腫瘤篩查方式還存在著諸多的不足，很難滿足現在甚至是未來大批量的患者需求，病理科的發展也受到限制。現階段，我國基于組織形態學的病理篩查存在的最大困難就是偌大的患者群體與少量的專業醫師之間醫患比嚴重不對等的問題。據調查，一個醫生平均每天要閱片700次以上，癥狀復雜的切片觀察時間需要10分鐘，面對組織病變分型較復雜的情況甚至還需要花更多的時間經由多個專業醫生之間觀察和定論，基于計算機輔助的檢測工具亟待開發。

隨著人工智能的不斷發展，人工智能輔助醫療已是大勢所趨，全球各大醫療產業積極投身于智能化的診斷方案。現如今，利用深度學習對醫學病理圖像進行分類已是隨處可見，國內外越來越多的實踐證明深度學習在圖像分類領域有廣闊的應用前景。然而，在對醫學病理圖像進行分類的時候，一個窗口中的病理圖像往往不是單一的病變區域，一般周圍還伴隨著其他的正常組織，而這些組織并不是實際任務需要；此外，人工標記的方法很難精準地標注出醫學圖像中病變區域的分類標簽，利用注意力機制可以通過學習區分組織形態學上病變組織與正常組織的特征差異從而重點關注病變組織區域，達到正常組織與病變組織分類的目的。

DenseNet分類模型具有通道特征的復用性，能夠很好地學習到病理圖像中的細微特征，該網絡模型借鑒ResNet網絡跳躍連接以及GoogleNet中Inception單元結構多尺度感知的思想，進一步將網絡結構創新——不是在加深網絡層數和網絡寬度的基礎上改進，而是從特征圖入手，利用更少的參數將特征圖利用到極致，從而達到更好的分類效果。DenseNet按照串聯的方式將所有層連接起來，使得每一層的輸入不止來源于上一層的輸出，還來源于之前所有層的輸出，這就是DenseNet網絡的基本模塊，又稱為稠密塊(DenseBlock)。為了降低模型的復雜度，網絡中加入了轉換層(Transition層)。該層由BN層、RELU激活函數、1×1卷積核以及2×2平均池化核組成，處于兩個相鄰Dense?Block之間。

歸一化互信息(Normalized?Mutual?Information，NMI)是信息論中用于衡量兩個隨機變量之間相互關系的一個度量，互信息越大，兩個隨機變量相互依賴的程度就越大。在圖像中，互信息越大就代表兩幅圖像的相關性越大，因此可以利用歸一化互信息來實現兩幅圖像的匹配。

發明內容