一种基于双标签损失的胃癌病理切片图像分割方法及系统技术方案

本发明专利技术公开了一种基于双标签损失的胃癌病理切片图像分割方法及系统，包括：1)利用少量真实胃癌病理切片标注样本进行模型预训练，并基于预训练模型得到未标注切片的预标注；2)将预标注切片交于医生，让医生在此基础上进行标注的修改，得到切片的真实标注；3)基于切片和两种“标注”构建新的损失函数和数据集；4)基于新的数据集和新构造的损失函数进行训练得到新模型；5)通过新模型即可预测得到切片对应的标注图像。本发明专利技术解决了实际应用中胃癌病理切片辅助看片效果不佳的问题。

A method and system of gastric cancer pathological section image segmentation based on double label loss

【技术实现步骤摘要】
一种基于双标签损失的胃癌病理切片图像分割方法及系统
本专利技术属于医疗图像处理
，具体地说，涉及一种基于双标签损失的胃癌病理切片图像分割方法及系统。
技术介绍
随着深度学习技术的迅猛发展，结合深度学习技术进行医疗辅助成为了越来越多的人努力的目标和方向。就目前医院病理切片的查看方式来看，主要利用显微镜人工地慢慢观察整个切片的病变情况，由于整个切片样本很大，而单个视野能观察到的面积则很小，需要先小倍数观察整个切片，再放大倍数不断切换视野观察细节，以此得到整个切片的样本状况。观察完整个样本所要耗费的时间随着样本难度的增加，时间更会大大加长。若能将深度学习技术与病理切片的查看结合起来，为医生提供一个预先的辅助判断，将大大降低其观察切片工作量，更能让医生有足够的时间投入到更为复杂的工作当中。而如何辅助医生进行切片的查看，我们初始目标可以简化为为医生提供一张切片的感兴趣区域，也就是图像分割的过程。从理论上来说，深度神经网络中的一个主要大方向就是图像分割，从20世纪初期感知器的提出，到卷积神经网络(LeNet)在90年代末期的首次提出，本文档来自技高网...

【技术保护点】
1.一种基于双标签损失的胃癌病理切片图像分割方法，其特征在于，包括：/n1)扫描胃癌病理切片得到数字病理全切片图像；/n2)通过医生标注的少量切片样本的预训练得到预训练模型，并通过预训练模型预测得到未标注切片的预标注。/n3)将未标注切片及其预标注交于医生，让医生在预标注的基础上进行修改，从而获得真实标注的切片样本；/n4)基于切片、切片预标注和切片真实标注，对全切片进行patch切割，读取patch图像和分割标注，并划分训练集和验证集。/n5)对训练集进行数据扩充，对训练集和验证集进行数据归一化处理；/n6)构建深度卷积神经网络的图像分割模型，并构造双标签损失函数进行训练微调，依次迭代训练集...

【技术特征摘要】
1.一种基于双标签损失的胃癌病理切片图像分割方法，其特征在于，包括：
1)扫描胃癌病理切片得到数字病理全切片图像；
2)通过医生标注的少量切片样本的预训练得到预训练模型，并通过预训练模型预测得到未标注切片的预标注。
3)将未标注切片及其预标注交于医生，让医生在预标注的基础上进行修改，从而获得真实标注的切片样本；
4)基于切片、切片预标注和切片真实标注，对全切片进行patch切割，读取patch图像和分割标注，并划分训练集和验证集。
5)对训练集进行数据扩充，对训练集和验证集进行数据归一化处理；
6)构建深度卷积神经网络的图像分割模型，并构造双标签损失函数进行训练微调，依次迭代训练集的所有样本更新模型参数直至收敛，得到训练好的分割模型。
7)将待预测的病理全切片图像实时裁剪出的patch输入训练好的分割模型进行切片病变区域预测，将所有patch的预测结果拼接，最终得到全切片的病变分割结果。


2.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，步骤4)中，同时对切片、切片预标注和切片真实标注进行同种尺度、相同位置切割产生同名的patch数据，经过数据划分之后，每一条数据包含了输入图像、切片真实标注转换而来的输出图像和切片预标注转换而来的辅助输出图像。


3.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，步骤6)中，构造了基于双标签的交叉熵损失函数，设真实标注为Lt，预标注为Lp，均为0、1向量，该损失函数的具体公式为：
W＝q0((Lp＝＝0)&(Lt＝＝1))+q1((Lp＝＝1)&(Lt＝＝0))
W＝W+(W＝＝0)
loss＝-Wi*[Lti*logpi+(1-Lti)*log(1-pi)]
其中q0是预测为正常、实际为病变的损失重要性权重，q1是预测为病变、实际为正常的损失重要性权重，Lti是真实标注的第i像素点的值，pi是预测的第i像素点的值，Wi是第i像素点的权重值。


4.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，步骤2)中获得的预训练模型参数将保存下来，并作为步骤6)中图像分割模型的初始化参数，步骤6)将在该初始化参数下进行网络训练，并进行反向传播，从而微调图像分割模型参数。


5.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，所述验证集在步骤6)图像分割模型训练迭代完一次所有训练集样本后，将对模型进行效果预测，当验证集效果持续优化时，模型继续训练，反之，当模型多次效果持续下降时，则停止模型训练，并保存当前模型。


6.一种基于双标签损失的胃癌病理切片图...

【专利技术属性】
技术研发人员：吴健，胡荷萍，张久成，
申请(专利权)人：之江实验室，
类型：发明
国别省市：浙江;33