一种结直肠癌病理图像预后辅助预测方法及系统技术方案

本发明专利技术公开了一种结直肠癌病理图像预后辅助预测方法及系统，该方法包括以下步骤：背景分离步骤：划分为背景区域和组织区域；图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；聚类步骤：基于K‑means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；风险划分步骤：划分风险范围。本发明专利技术通过K‑means聚类对整张病理图像的图像小块进行自动分类后再选择不同类型的图像小块共同训练，使得对结直肠癌病人预后的患者存活时间预测更精确。

【技术实现步骤摘要】
一种结直肠癌病理图像预后辅助预测方法及系统
本专利技术涉及图像处理
，尤其涉及一种结直肠癌病理图像预后辅助预测方法及系统。
技术介绍
现有结直肠癌的预后分析主要需要医生对结直肠癌病人的病理TNM分期，从1～4期来确定病人的5年内生存情况，TNM主要包括肿瘤浸润情况，淋巴结数量和是否转移到别的部位来确定，TNM分期也在不断发展，目前关于病理切片中的肿瘤环境的研究表明病理中蕴含这许多和预后相关的信息，其中有大量的数据等待挖掘。现有技术中的一种基于深度学习对病理图像预后预测的方法，该方法需要由有经验的病理科医生勾画出病理图像中的感兴趣区域(regionofinterest，ROI)，通常是病理图像的肿瘤部分，再从中截取一张图像小块，这张图像小块就代表这个病人，并赋予这个病人的标签，如生存时间，进入深度卷积神经网络去训练，得到一个深度卷积神经网络模型，从而预测病理图像的预后，其中该深度卷积神经网络包括3个卷积层，2个最大池化层和1个全连接层。然而，目前对于医学成像设备所成的病理图像预后预测仍存在以下问题：(1)当病理科医生获得结直肠癌病理图像后，需要有经验的病理科医生勾画出肿瘤区域，并且面对呈指数增长的医学图像，人工处理速度慢、效率低，漏诊的情况时有发生，当病人很多的时候，医生的负担增加，当医生长时间勾画后，医生的处理速度会逐渐减慢。(2)仅根据肿瘤区域的图像小块进行预后预测，缺少足够精度。
技术实现思路
为了克服现有技术存在的缺陷与不足，本专利技术提供一种结直肠癌病理图像预后辅助预测方法，辅助医生对结直肠癌病理图像进行预测患者存活时间，提供风险范围的辅助信息，减轻了医生的负担。本专利技术的第二目的在于提供一种结直肠癌病理图像预后辅助预测系统。本专利技术的第三目的在于提供一种计算机可读存储介质。本专利技术的第四目的在于提供一种计算机设备。为了达到上述第一目的，本专利技术采用以下技术方案：本专利技术提供一种结直肠癌病理图像预后辅助预测方法，包括以下步骤：背景分离步骤：分离病理图像的组织区域和背景区域，将病理图像的图片格式由RGB空间转换为HSV颜色空间，对HSV颜色空间中的饱和度通道部分进行自动阈值分割处理，划分为背景区域和组织区域；图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；聚类步骤：基于K-means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；风险划分步骤：基于结直肠癌存活时间预测模型的全连接层输出患者存活时间，设置多个预设风险阈值，根据患者存活时间结合预设风险阈值划分风险范围；所述结直肠癌存活时间预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括结直肠癌病理图像和标识该结直肠癌病理图像对应患者存活时间的标签信息。作为优选的技术方案，所述聚类步骤，具体包括以下步骤：中心点生成步骤：随机生成图像小块特征的中心点；图像小块分类步骤：计算每个图像小块离第一中心点的欧式距离，根据图像小块的特征与每个中心点的欧氏距离将每个图像小块划分至最接近的中心点的小块类别集合；分类检验步骤：计算完所有图像小块与第一中心点的欧式距离并划分完第一中心点的小块类别集合后，重新计算每个小块类别集合的第二中心点，根据预设距离阈值判断聚类的进度；如果第二中心点与之前的第一中心点的距离小于预设距离阈值时，表示分类结果趋于稳定，聚类步骤完成；如果新的中心点和原中心点距离变化超过预设距离阈值时，则说明聚类仍在进行中，需要重复图像小块分类步骤和分类检验步骤。作为优选的技术方案，在所述风险划分步骤中，所述结直肠癌存活时间预测模型具体采用VGG16深度卷积网络进行训练，所述VGG16深度卷积网络将结直肠癌的病理图像作为输入数据，将结直肠癌预后的患者存活时间量化并作为标签，经过卷积层进行卷积处理后，传输至池化层进行减小特征图大小，最终通过全连接层输出患者存活时间，设置多个预设风险阈值，根据患者存活时间结合预设风险阈值划分风险范围。作为优选的技术方案，所述VGG16深度卷积网络将结直肠癌的病理图像作为输入数据，获得图像小块特征后，分别输入VGG16深度卷积网络的卷积层部分提取特征，包括多个卷积层和多个全连接层，最后将各个通道的特征结合在一起，全连接层进行分类，输出最终得到的图像特征。为了达到上述第二目的，本专利技术采用以下技术方案：一种结直肠癌病理图像预后辅助预测系统，包括：背景分离模块、图像小块分割模块、深度特征提取模块、聚类模块和风险划分模块；所述背景分离模块，用于将输入的结直肠癌的病理图像划分为组织区域和背景区域；所述图像小块分割模块，用于对病理图像进行图像小块的分割，根据预设像素大小对组织区域进行分割图像小块；所述深度特征提取模块，用于根据结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；所述聚类模块，用于根据K-means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；所述风险划分模块，用于根据结直肠癌存活时间预测模型的全连接层输出患者存活时间，设置多个预设风险阈值，根据患者存活时间结合预设风险阈值划分风险范围。作为优选的技术方案，所述结直肠癌存活时间预测模型由卷积层、池化层和全连接层组成，所述结直肠癌存活时间预测模型接收结直肠癌的病理图像作为输入，通过卷积层进行卷积处理，传输至池化层进行减小特征图大小，最终通过全连接层输出患者存活时间。为了达到上述第三目的，本专利技术采用以下技术方案：一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述结直肠癌病理图像预后辅助预测方法。为了达到上述第四目的，本专利技术采用以下技术方案：一种计算机设备，包括存储器和处理器，所述存储器用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现上述结直肠癌病理图像预后辅助预测方法。本专利技术与现有技术相比，具有如下优点和有益效果：(1)本专利技术通过K-means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分，实现自动勾画ROI，无需有经验的病理医生勾画ROI，节省了医生的时间，减轻了医生的负担。(2)本专利技术通过对病理图像自动去除背景切出图像小块，自动提取深度学习特征并分类，一定程度上模拟了病理肿瘤上皮、粘液、坏死区域、正常组织和肿瘤间质部分，并综合多个区域的图像小块而不是仅仅肿瘤区域的图像来训练结直肠癌存活时间预测模型，进行深度学习时不仅仅使用病理图像肿瘤区域的图像小块，而是通过K-means聚类对整张病理图像的图像小块进行自动分类后再本文档来自技高网...

【技术保护点】
1.一种结直肠癌病理图像预后辅助预测方法，其特征在于，包括以下步骤：/n背景分离步骤：分离病理图像的组织区域和背景区域，将病理图像的图片格式由RGB空间转换为HSV颜色空间，对HSV颜色空间中的饱和度通道部分进行自动阈值分割处理，划分为背景区域和组织区域；/n图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；/n深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；/n聚类步骤：基于K-means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；/n风险划分步骤：基于结直肠癌存活时间预测模型的全连接层输出患者存活时间，设置多个预设风险阈值，根据患者存活时间结合预设风险阈值划分风险范围；/n所述结直肠癌存活时间预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括结直肠癌病理图像和标识该结直肠癌病理图像对应患者存活时间的标签信息。/n

【技术特征摘要】
1.一种结直肠癌病理图像预后辅助预测方法，其特征在于，包括以下步骤：
背景分离步骤：分离病理图像的组织区域和背景区域，将病理图像的图片格式由RGB空间转换为HSV颜色空间，对HSV颜色空间中的饱和度通道部分进行自动阈值分割处理，划分为背景区域和组织区域；
图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；
深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；
聚类步骤：基于K-means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；
风险划分步骤：基于结直肠癌存活时间预测模型的全连接层输出患者存活时间，设置多个预设风险阈值，根据患者存活时间结合预设风险阈值划分风险范围；
所述结直肠癌存活时间预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括结直肠癌病理图像和标识该结直肠癌病理图像对应患者存活时间的标签信息。


2.根据权利要求1所述的结直肠癌病理图像预后辅助预测方法，其特征在于，所述聚类步骤，具体包括以下步骤：
中心点生成步骤：随机生成图像小块特征的中心点；
图像小块分类步骤：计算每个图像小块离第一中心点的欧式距离，根据图像小块的特征与每个中心点的欧氏距离将每个图像小块划分至最接近的中心点的小块类别集合；
分类检验步骤：计算完所有图像小块与第一中心点的欧式距离并划分完第一中心点的小块类别集合后，重新计算每个小块类别集合的第二中心点，根据预设距离阈值判断聚类的进度；
如果第二中心点与之前的第一中心点的距离小于预设距离阈值时，表示分类结果趋于稳定，聚类步骤完成；
如果新的中心点和原中心点距离变化超过预设距离阈值时，则说明聚类仍在进行中，需要重复图像小块分类步骤和分类检验步骤。


3.根据权利要求1所述的结直肠癌病理图像预后辅助预测方法，其特征在于，在所述风险划分步骤中，所述结直肠癌存活时间预测模型具体采用VGG16深度卷积网络进行训练，所述VGG16深度卷积网络将结直肠癌的病理图像作为输入数据，将结直肠癌预后的患者存活时间量化并作为标签，经过卷积层进行卷积处理后，传输至池...

【专利技术属性】
技术研发人员：覃杰，韩楚，陈鑫，俞祝良，刘再毅，梁长虹，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44