病理切片图像智能分类方法及装置制造方法及图纸

本发明专利技术公开了一种病理切片图像智能分类方法及装置，方法包括：对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到正常样本和癌症样本的训练数据，训练数据包含相似度指标的均值集合、方差集合及信息熵集合，并基于训练数据对预置的机器分类模型进行训练，以便利用训练后的机器分类模型确定待分类病理切片图像的类型，通过引入信息熵作为图像结构混乱程度的一个独立维度，则可达到定量描述肿瘤细胞或组织的分化程度的目的，且通过利用包含信息熵集合的训练数据对机器分类模型进行训练，使得能够有效提高病理切片图像智能分类的准确性。

Intelligent classification method and device for pathological slice image

The invention discloses a device and a smart, pathological image classification methods include: every piece of pathological images of normal and cancer samples preset in the sample image processing, normal and cancer samples samples of the training data, the training data contains similar mean index sets, variance set and information entropy set the classification of the training data, and machine preset model based on training, so that the use of machine classification model after training to determine the type of classification of pathological images, the information entropy is introduced as the image structure chaos degree of an independent dimension, it can achieve the quantitative description of the degree of differentiation of tumor cells or tissues for the purpose, and by by including training on machine classification model training data set information entropy, which can effectively improve the pathological images of wisdom Accuracy of classification.

【技术实现步骤摘要】
病理切片图像智能分类方法及装置
本专利技术涉及图像处理领域，尤其涉及一种病理切片图像智能分类方法及装置。
技术介绍
正常细胞在个体发育中表现出来的形态结构和功能上发生稳定性的差异过程称为细胞分化，分化程度越高，差异就越大。体内部分细胞由于基因突变失去正常死亡调控，分裂增生失去控制，无序过度增殖等导致正常组织结构遭受破坏，成为癌症细胞。分化在肿瘤病理学中常指肿瘤细胞与其起源的正常细胞的相似程度，是肿瘤良恶性鉴别的主要依据，分化高的肿瘤具有良性行为，分化低的肿瘤多有恶性表现。病理切片图像分析的主要任务就是甄别肿瘤细胞或组织在显微镜下表现出有别于正常细胞或组织的结构特征，通常需要辅助予HE染色等标记手段。光镜观察对细胞核形态只能作大致的描述，易带主观性，缺乏精确而更为客观的定量标准。近年来，科技进步促使病理学的研究手段已远远超越了传统的形态观察，而涌现出许多新方法、新技术，从根本上要求分析工作往客观化、定量化的标准发展。形态定量分析量化反映组织和细胞的形态结构，可排除主观因素的影响，在肿瘤病理方面图像分析主要是核形态参数的测定，区别癌前病变和癌，区别肿瘤的良恶性，肿瘤组织病理分级及判断预后等。随着电子计算机的发展，研究者开始尝试把医学模拟图像转化为数字图像，开展了计算机辅助诊断的初步研究，试图在一定程度上辅助医生判读医学图像，排除人为主观因素，提高诊断准确性和效率。光学成像技术的发展促使数据采集高维化，传统的二维灰度值图像已经很难理解如此海量的信息。医学图像分析不再局限于过去具有明显诊断特征的病种，开始扩展到多种不同器官、解剖形态、功能过程的图像，试图利用自动精确定量的计算机辅助图像分析，帮助临床医生和研究者高效准确地处理海量图像信息，然而，目前的技术还是难以实现有效的确定病理切片图像是正常切片图像还是癌症切片图像，准确性较低。
技术实现思路
本专利技术的主要目的在于提供一种病理切片图像智能分类方法及装置，旨在解决现有技术中对病理切片图像进行分类的准确性较低的技术问题。为实现上述目的，本专利技术第一方面提供一种病理切片图像智能分类方法，所述方法包括：对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到所述正常样本和所述癌症样本的训练数据，所述训练数据包含相似度指标的均值集合、方差集合及信息熵集合；基于所述正常样本和所述癌症样本的训练数据对预置的机器分类模型进行训练，得到训练后的机器分类模型；将待分类病理切片图像输入所述训练后的机器分类模型，且将所述训练后的机器分类模型输出的类型作为所述待分类病理切片图像的类型。为实现上述目的，本专利技术第二方面提供一种病理切片图像智能分类装置，该装置包括：处理模块，用于对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到所述正常样本和所述癌症样本的训练数据，所述训练数据包含相似度指标的均值集合、方差集合及信息熵集合；训练模块，用于基于所述正常样本和所述癌症样本的训练数据对预置的机器分类模型进行训练，得到训练后的机器分类模型；分类模块，用于将待分类病理切片图像输入所述训练后的机器分类模型，且将所述训练后的机器分类模型输出的类型作为所述待分类病理切片图像的类型。本专利技术提供一种病理切片图像智能分类方法，该方法包括：对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到正常样本和癌症样本的训练数据，其中，训练数据包含相似度指标的均值集合、方差集合及信息熵集合，并基于正常样本和癌症样本的训练数据对预置的机器分类模型进行训练，得到训练后的机器分类模型，将待分类病理切片图像输入该训练后的机器分类模型，且将该训练后的机器分类模型输出的类型作为该待分类病理切片图像的类型。相对于现有技术，不仅使用了相似度指标的均值及方差用于判别正常切片图像和癌症切片图像之间的差异，还引入了信息熵作为图像结构混乱程度的一个独立维度，则通过使用信息熵可达到定量描述肿瘤细胞或组织的分化程度的目的，且通过包含正常样本和癌症样本的相似度指标的均值集合、方差集合及信息熵集合的训练数据对机器分类模型进行训练，并通过该机器分类模型对病理切片图形进行分类，使得能够有效提高病理切片图像智能分类的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术第一实施例中病理切片图像智能分类方法的流程示意图；图2为本专利技术第二实施例中病理切片图像智能分类方法的流程示意图；图3为本专利技术第三实施例中病理切片图像智能分类装置的功能模块的示意图；图4为本专利技术第四实施例中病理切片图像智能分类装置的功能模块的示意图；图5a为切片HE染色荧光寿命在均值μ、方差σ和熵值S构成的三维空间分布；图5b为切片HE染色荧光寿命在μ-σ平面内的支持向量机线性判别；图5c为切片HE染色荧光寿命在S-μ平面内的支持向量机线性判别；图5d为切片HE染色荧光寿命在S-σ平面内的支持向量机线性判别。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。由于现有技术中对病理切片图像进行分类的准确性较低技术问题。为了解决上述技术问题，本专利技术提出一种病理切片图像智能分类方法，该方法中，不仅使用了相似度指标的均值及方差用于判别正常切片图像和癌症切片图像之间的差异，还引入了信息熵作为图像结构混乱程度的一个独立维度，则可达到定量描述肿瘤细胞或组织的分化程度的目的，且通过包含正常样本和癌症样本的相似度指标的均值集合、方差集合及信息熵集合的训练数据对机器分类模型进行训练，并通过该机器分类模型对病理切片图形进行分类，使得能够有效提高病理切片图像智能分类的准确性。请参阅图1，为本专利技术第一实施例中病理切片图像智能分类方法的流程图，该方法包括：步骤101、对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到所述正常样本和所述癌症样本的训练数据，所述训练数据包含相似度指标的均值集合、方差集合及信息熵集合；在本专利技术实施例中，病理切片图像智能分类方法由病理切片图像智能分类装置(以下简称为：分类装置)实现。在本专利技术实施例中，需要先训练机器分类模型，以便使用机器分类模型对待分类病理切片图像进行分类。其中，为了对机器分类模型进行训练，需要预先准备训练样本，该训练样本包括正常样本和癌症样本，其中，正常样本中包含确诊为正常的病理切片图像，癌症样本中包含确诊为已发生癌变的病理切片图像。其中，分类装置将预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到正常样本和癌症样本的训练数据，其中，正常样本的训练数据中包含所有正常的病理切片图像的相似度指标的均值集合、相似度指标的方差集合及信息熵集合，癌症样本的训练数据中包含所有癌变的病理切片图像的相似度指标的均值集合、相似度指标的方差集合本文档来自技高网...

【技术保护点】
一种病理切片图像智能分类方法，其特征在于，所述方法包括：对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到所述正常样本和所述癌症样本的训练数据，所述训练数据包含相似度指标的均值集合、方差集合及信息熵集合；基于所述正常样本和所述癌症样本的训练数据对预置的机器分类模型进行训练，得到训练后的机器分类模型；将待分类病理切片图像输入所述训练后的机器分类模型，且将所述训练后的机器分类模型输出的类型作为所述待分类病理切片图像的类型。

【技术特征摘要】
1.一种病理切片图像智能分类方法，其特征在于，所述方法包括：对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到所述正常样本和所述癌症样本的训练数据，所述训练数据包含相似度指标的均值集合、方差集合及信息熵集合；基于所述正常样本和所述癌症样本的训练数据对预置的机器分类模型进行训练，得到训练后的机器分类模型；将待分类病理切片图像输入所述训练后的机器分类模型，且将所述训练后的机器分类模型输出的类型作为所述待分类病理切片图像的类型。2.根据权利要求1所述的方法，其特征在于，所述对预置的正常样本及癌症样本中的每一幅病理切片图像进行图像处理，得到所述正常样本及所述癌症样本的训练数据的步骤包括：对所述正常样本及所述癌症样本中的每一幅病理切片图像进行以下处理：读取病理切片图像含结构信息的三维图像，所述三维图像由各像素点的光子数分布构成第三维度；提取所述三维图像中由第三维度数据集决定的各像素点的相似度指标；利用所述各像素点的相似度指标计算所述病理切片图像的相似度指标的均值，方差及信息熵；所述步骤还包括：将所述正常样本中所有病理切片图像的相似度指标的均值、方差及信息熵分别归类为所述正常样本的相似度指标的均值集合、方差集合及信息熵集合，以作为所述正常样本的训练数据，及将所述癌症样本中所有病理切片图像的相似度指标的均值、方差及信息熵分别归类为至少一种类别的相似度指标的均值集合、方差集合及信息熵集合，以作为所述癌症样本的训练数据。3.根据权利要求2所述的方法，其特征在于，若所述三维图像为荧光寿命成像，则所述提取所述三维图像中由第三维度数据集决定的各像素点的相似度指标的步骤包括：利用采集到的各像素点对应的时间衰减曲线进行最小二乘拟合得到各像素点的荧光寿命，将所述各像素点的荧光寿命作为所述各像素点的相似度指标；或者，利用预置的相位映射算法计算所述各像素点的荧光寿命，将所述各像素点的荧光寿命作为所述各像素点的相似度指标。4.根据权利要求3所述的方法，其特征在于，若所述三维图像为拉曼成像，则所述提取所述三维图像中由第三维度数据集决定的各像素点的相似度指标的步骤包括：利用预置的皮尔逊互相关算法对各像素点的拉曼光谱分别进行两两互相关运算，得到所述各像素点的拉曼光谱相关系数矩阵，将所述各像素点的拉曼光谱相关系数矩阵作为所述各像素点的相似度指标。5.根据权利要求1至3任意一项所述的方法，其特征在于，所述机器分类模型是支持向量机神经网络模型，或者是基于贝叶斯的线性或...

【专利技术属性】
技术研发人员：屈军乐，陈秉灵，罗腾，林丹樱，彭晓，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44