一种全景扫描病理图像转移区域的自动分割方法技术

本发明专利技术公开了一种全景扫描病理图像转移区域的自动分割方法，包括：对全景扫描病理图像进行预处理，提取有组织区域；获取训练样本集，标记转移部分和非转移部分；构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；用热值图表示全景扫描病理图像。本发明专利技术方法能够为医生提供定量化的诊断信息，减小依靠经验观测切片图像所带来的主观误差，能够缩短病情分析的等待过程，为病人提供宝贵的治疗时间。

An automatic segmentation method for pathological region of panoramic scanning pathological images

The invention discloses a panoramic scanning pathological image transfer area segmentation method, including: the pathological panoramic scanning image preprocessing, extraction of organized areas; obtaining training samples set, mark transfer and non transfer section; construction of convolutional neural networks model and model training, the transfer of regional convolutional neural networks model identification panoramic scanning trained in pathological images and non metastatic areas; with calorific value graph panoramic scanning pathological image. The method can provide quantitative diagnostic information for doctors, reduce subjective errors caused by experience observation of slice images, shorten the waiting process of disease analysis, and provide valuable treatment time for patients.

【技术实现步骤摘要】
一种全景扫描病理图像转移区域的自动分割方法
本专利技术涉及一种全景扫描病理图像转移区域的自动分割方法，属于医疗图像处理

技术介绍
乳腺癌是危害妇女健康的主要恶性肿瘤之一，也是我国近几年发病率增长较快的恶性肿瘤之一。传统的乳腺癌转移检测方法主要是依靠病理医生对组织病理切片的诊断，不仅工作量大，而且每个医生的评价标准存在较大的不一致性。由于近年来计算机的存储性能和计算性能的大幅度提高，借助计算机进行诊断已经慢慢流行开来。但是在我国图像处理的技术研究仍然很少，所以研究一套针对病理图像的分析工具十分重要。研究计算机辅助系统(CAD)的目标不是为了完全代替医生，而是为了向医生提供更加准确的客观建议从而提高医生的工作效率，得到更加准确的诊断结果。虽然计算机辅助诊断具有诸多优势，但由于病理组织图像呈现出高度的复杂性使得病理组织图像的自动分析仍然是一个极具有挑战性的研究领域。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种全景扫描病理图像转移区域的自动分割方法，解决现有技术中肿瘤转移区域的划分存在判定费时费力、判定结果准确率不高的技术问题。为解决上述技术问题，本专利技术所采用的技术方案是：一种全景扫描病理图像转移区域的自动分割方法，包括如下步骤：步骤一：对全景扫描病理图像进行预处理，提取有组织区域；步骤二：获取训练样本集，标记转移部分和非转移部分；步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；步骤四：用热值图表示全景扫描病理图像。步骤一的具体方法如下：将全景扫描病理图像在低倍分辨率下利用Ostu阈值法，排除背景区域，然后将低倍镜下有组织区域对应在全扫描40镜倍下的目标区域提取出来。步骤二的具体方法如下：基于滑动窗口法在全景扫描病理图像中选取转移区域小块和非转移区域小块，将转移区域小块标记为正样本1，非转移区域小块标记为负样本0，获取训练样本集。所述转移区域小块和非转移区域小块为大小相同的图像模块，边长为256*256像素。步骤三的具体方法如下：将步骤二得到的训练样本集作为深度卷积网络模型的输入，经过迭代，测试损失与分类准确率，调整神经网络的权值，得到存储网络权值系数的第一深度卷积网络模型；对于病理医生和第一深度卷积网络模型判定的转移区域不一致的，认定为误判区域或识别困难区域，在误判区域和识别困难区域重新获取训练样本集，构建第二深度卷积网络模型，根据第二深度卷积网络模型得到二分类器，再次识别转移区域和非转移区域。步骤四的具体方法如下：建议一个滑动窗，步长设置为227，每一次窗口滑动判断一次是否为转移区域，用红色表示转移区域，蓝色表示非转移区域，生成热值图。与现有技术相比，本专利技术所达到的有益效果是：为医生提供定量化的诊断信息，减小依靠经验观测切片图像所带来的主观误差，能够缩短病情分析的等待过程，为病人提供宝贵的治疗时间。附图说明图1是本专利技术的流程图。图2是本专利技术方法中采用深度卷积网络模型获取热值图像的流程图。图3为误判区域和识别困难区域的判定方法图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1～2所示，本专利技术提供的全景扫描病理图像转移区域的自动分割方法，包括如下步骤：步骤一：对全景扫描病理图像进行预处理，提取有组织区域，具体方法如下：为了减少计算时间，避免在大量白色背景区域进行过多计算，首先将全景扫描病理图像在低倍分辨率下利用Ostu阈值法，排除背景区域；然后将低倍镜下有组织区域对应在全扫描40镜倍下的目标区域提取出来。步骤二：获取训练样本集，标记转移部分和非转移部分，具体方法如下：基于滑动窗口法在全景扫描病理图像中选取转移区域小块和非转移区域小块，转移区域小块和非转移区域小块选用大小相同的图像模块，边长为256*256个像素。将转移(阳性)区域小块标记为正样本1，非转移(阴性)区域小块标记为负样本0，获取训练样本集。步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域，具体方法如下：将步骤二得到的训练样本集作为深度卷积网络模型的输入，经过迭代，测试训练样本集的损失与分类准确率，调整神经网络的权值，最后获得一个准确率较高、损失值较小的权值系数，得到一个存储网络权值系数的第一深度卷积网络模型(D-I)。为了解决由于假阳性问题引起部分转移区域和非转移区域识别困难的问题，重新构建一个深度卷积网络模型，具体为：在误判区域和识别困难区域重新获取训练样本集，构建第二深度卷积网络模型，根据第二深度卷积网络模型得到二分类器，再次识别转移区域和非转移区域。第一个深度卷积网络模型可以生成一个预测热值图，将这张预测热值图和病理医生给标记的图作对比，如图3。如果病理医生标记为转移区域，而第一深度卷积网络模型判定为非转移区域；或者病理医生标记为非转移区域，而第一深度卷积网络模型判定为转移区域，则这部分区域就被称为误判区域或者识别困难区域。转移附近区域只是模型识别错误的概率大，所以也归于误判区域或识别困难区域。第二深度卷积网络模型相当于对第一深度卷积网络模型做了一个补丁，从而在第一深度卷积网络模型的基础上识别转移区域和非转移区域，进一步提高准确率。为了增强数据集，提高数据集的鲁棒特性，将第二深度卷积网络模型的crop值设置为227。步骤四：用热值图表示全景扫描病理图像，具体方法如下：建议一个滑动窗，步长设置为227，每一次窗口滑动判断一次是否为转移区域，用红色表示转移区域，蓝色表示非转移区域，生成热值图。本专利技术将深度学习领域的方法应用到现在的医疗领域，从而可以帮助病理医生提高诊断的准确率，防止由于医生的误诊和过度的治疗对病人造成的伤害。以上所述仅是本专利技术的优选实施方式，应当指出，对于本
的普通技术人员来说，在不脱离本专利技术技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本专利技术的保护范围。本文档来自技高网...

【技术保护点】
一种全景扫描病理图像转移区域的自动分割方法，其特征在于，包括如下步骤：步骤一：对全景扫描病理图像进行预处理，提取有组织区域；步骤二：获取训练样本集，标记转移部分和非转移部分；步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；步骤四：用热值图表示全景扫描病理图像。

【技术特征摘要】
1.一种全景扫描病理图像转移区域的自动分割方法，其特征在于，包括如下步骤：步骤一：对全景扫描病理图像进行预处理，提取有组织区域；步骤二：获取训练样本集，标记转移部分和非转移部分；步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；步骤四：用热值图表示全景扫描病理图像。2.根据权利要求1所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，步骤一的具体方法如下：将全景扫描病理图像在低倍分辨率下利用Ostu阈值法，排除背景区域，然后将低倍镜下有组织区域对应在全扫描40镜倍下的目标区域提取出来。3.根据权利要求2所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，步骤二的具体方法如下：基于滑动窗口法在全景扫描病理图像中选取转移区域小块和非转移区域小块，将转移区域小块标记为正样本1，非转移区域小块标记为负样本0，获取训练样本集。4.根据权利要求3所...

【专利技术属性】
技术研发人员：徐军，徐海俊，蔡程飞，周超，郎彬，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32