一种乳腺导管原位癌的辅助检测方法技术

本发明专利技术公开了一种乳腺导管原位癌的辅助检测方法：对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；读入数字化切片文件图像，切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集；启动神经网络，建立识别模型;对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；计算得出每个区域被认为是DCIS的概率。本发明专利技术利用CNN识别DCIS的方法，通过同时检测DCIS癌细胞和肌上皮组织，实现较高准确度的DCIS自动识别。

Auxiliary detection method for breast ductal carcinoma in situ

The invention discloses a method for detection of breast ductal carcinoma in situ: manual labeling of breast cancer digital slices, obtain DCIS and myoepithelial image; digital image file read into the slices, cut into small pieces, by querying the pathologist annotation file information in the image, whether small contains DCIS or myoepithelial region image thus, three kinds of sample set; start the neural network identification model is established; to identify the digital section, find DCIS and myoepithelial area, and record the corresponding probability; calculated each area is considered as the probability of DCIS. The invention realizes the automatic identification of DCIS with higher accuracy through the simultaneous detection of DCIS cancer cells and myoepithelial tissue by the method of CNN identification of DCIS.

【技术实现步骤摘要】
一种乳腺导管原位癌的辅助检测方法
本专利技术涉及一种乳腺导管原位癌的辅助检测方法。
技术介绍
女性乳腺是由皮肤、纤维组织、乳腺腺体和脂肪组成的，乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。乳腺癌中99%发生在女性，男性仅占1%，乳腺癌是女性排名第一的常见恶性肿瘤。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。美国8名妇女一生中就会有1人患乳腺癌。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。乳腺并不是维持人体生命活动的重要器官，原位乳腺癌并不致命；但由于乳腺癌细胞丧失了正常细胞的特性，细胞之间连接松散，容易脱落。癌细胞一旦脱落，游离的癌细胞可以随血液或淋巴液播散全身，形成转移，危及生命。乳腺导管原位癌（DuctalCarcinomaInSitu，DCIS）是非浸润乳腺癌中最常见的一种，癌细胞位于乳腺导管内，尚未穿透导管壁，并未发生癌细胞扩散，因此DCIS并不致命，但DCIS被普遍认为是浸润性导管癌（InvasiveDuctalCarcinoma,IDC）的前驱病变，DCIS不经治疗最终可能会发展为IDC。对最初误诊为良性病变而导致未能获得治疗的DCIS研究显示，从DCIS进展为IDC的比例为14%～53%。乳腺癌的早期发现、早期诊断，是提高疗效的关键。应结合患者的临床表现及病史、体格检查、影像学检查、组织病理学和细胞病理学检查，进行乳腺癌的诊断与鉴别诊断，而最终确诊主要依靠病理活检。目前病理活检主要依靠病理医生在显微镜下观察病理组织样本，通过细胞形态学等经验知识予以诊断，存在极大的主观性，严重依赖于病理医生的经验积累，同时病理医生的工作量大，任务繁重。随着数字病理学的发展，病理切片经过扫描转化为数字图像，进而可以采用计算机视觉技术辅助病理医生诊断。早期方法多采用数字图像处理中的滤波，边缘检测，形态学等技术，但由于乳腺癌细胞的异质性，常规方法的鲁棒性较差，检测效果不佳。近年来，以深度学习（DeepLearning，DL）为代表的神经网络获得了突破性进展，利用卷积神经网络（ConvolutionalNeuralNetwork，CNN）进行图像识别获得了广泛应用。对于乳腺癌这种异质性较大的图像，可以利用CNN进行识别。根据文献记载，目前，病理医生人工检查IDC的准确度不到73.2%，利用CNN识别IDC的准确度约为84%。但是，由于IDC和DCIS从细胞形态上具有较高的相似性，因此仅从细胞形态上利用CNN神经网络进行区分具有较大难度，且准确度不高。
技术实现思路
本专利技术的目的在于针对现有技术中存在的不足，提供一种乳腺导管原位癌的辅助检测方法。为实现上述目的，本专利技术解决其技术问题所采用的技术方案是：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；C、启动神经网络，开始训练，建立识别模型;D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；E、分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；G、计算得出每个区域被认为是DCIS的概率。作为优选方式，所述步骤B中，将读入的数字化切片文件图像按照level(n)比例缩放，转换到HSV色彩空间，选定在Hue空间下利用最大类间方差法进行阈值计算，提取前景区和背景区，再经过图像腐蚀和膨胀操作，将图中的小面积干扰去掉并填满大区域中存在的小洞，最后，将level（n）缩放比例下的图映射回到指定比例下的图像；仅对前景区图像切割成小块，进行处理。作为优选方式，所述步骤D中，利用识别模型对数字化切片前景区进行识别。作为优选方式，所述步骤B中，将小块样本随机旋转，并做镜像操作，数据增强，最后划分训练集和验证集。作为优选方式，所述步骤B中，将小块样本随机旋转90°、180°或270°。进一步优选，所述步骤G中，得出的概率进行人工验证，并将结果返回到步骤A中。本专利技术采用监督学习方式，通过病理医师对DCIS区域进行标注后，生成训练样本集和验证样本集，然后利用神经网络学习样本特征并予以分类识别。本专利技术的有益效果在于：本专利技术利用CNN识别DCIS的方法，通过同时检测DCIS癌细胞和肌上皮组织，实现较高准确度的DCIS自动识别。具体实施方式本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。实施例1：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；C、启动神经网络，开始训练，建立识别模型;D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；E、分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；G、计算得出每个区域被认为是DCIS的概率。实施例2：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；B、读入数字化切片文件图像按照level(n)比例缩放，转换到HSV色彩空间，选定在Hue空间下利用最大类间方差法进行阈值计算，提取前景区和背景区，再经过图像腐蚀和膨胀操作，将图中的小面积干扰去掉并填满大区域中存在的小洞，最后，将level（n）缩放比例下的图映射回到指定比例下的图像；通过查询病理医师标注文件中的信息，得到该小块前景区图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；将小块样本随机旋转90°，180°或270°，并做镜像操作，数据增强，最后划分训练集和验证集；C、启动神经网络，开始训练，建立识别模型;D、利用识别模型对数字化切片前景区进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；E、分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；G、计算得出每个区域被认为是DCIS的概率，将得出的概率进行人工验证，并将结果返回到步骤A中进行迭代。实施例3：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：1）病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；2）读⼊W本文档来自技高网...

【技术保护点】
一种乳腺导管原位癌的辅助检测方法，其特征在于，包括如下步骤：A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；C、启动神经网络，开始训练，建立识别模型;D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；E、分别对检测到的DCIS区域或肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；G、计算得出每个区域被认为是DCIS的概率。

【技术特征摘要】
1.一种乳腺导管原位癌的辅助检测方法，其特征在于，包括如下步骤：A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；C、启动神经网络，开始训练，建立识别模型;D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；E、分别对检测到的DCIS区域或肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；G、计算得出每个区域被认为是DCIS的概率。2.根据权利要求1所述的一种乳腺导管原位癌的辅助检测方法，其特征在于：所述步骤B中，将读入的数字化切片文件图像按照l...

【专利技术属性】
技术研发人员：蒲洋，向飞，
申请(专利权)人：成都知识视觉科技有限公司，
类型：发明
国别省市：四川,51