病理图片染色组织区域检测方法、检测系统及预后状态分析系统技术方案

本发明专利技术提出了一种病理图片染色组织区域检测方法、检测系统及预后状态分析系统。该预后状态分析系统包括处理单元，处理单元包括图像预处理器、染色组织区域检测器和预后状态预测器；图像预处理器接收待分析病理WSI图像并进行预处理；染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测；预后状态预测器获得染色组织区域对应的词袋类别标签，根据所述词袋类别标签，获得该样本的预后状态指标。本发明专利技术只需完成对WSI图像中少量图像块区域的简单类型标注，无需对每个图像块区域进行精确类型标注，即可利用病理图像及其生理信息，完成病例的预后状态分析。降低了处理工作量，提高了分析效率。提高了分析效率。提高了分析效率。

【技术实现步骤摘要】
病理图片染色组织区域检测方法、检测系统及预后状态分析系统


[0001]本专利技术属于智慧医疗
，具体涉及一种病理图片染色组织区域检测方法、检测系统及预后状态分析系统。

技术介绍

[0002]病理专家在实际诊断过程中，需要分析WSI图像(whole slide image，全视野数字切片图像)，针对目前海量图像数据分析现状，常需要借助深度学习技术进行图像数据的辅助智能分析。在常规的基于深度卷积网络的图像智能分析系统中，由于WSI图像尺寸太大(亿级别像素，甚至十亿级像素)，无法直接输入卷积神经网络，通常需要从WSI图像中提取大量图像块，用于后续的深度卷积神经网络训练，以及图像智能分析。上述处理过程中，针对大量图像块进行精确标注的工作量十分巨大，在实际工作中往往无法满足。
[0003]另外，利用WSI图像进行预后状态分析时，WSI图像通过组织刮片的方式生成，切片中有较多的空白背景区域存在；病理学家进行预后状况分析时，需要同时观察、对比病变组织、正常组织区域。由于病变组织和正常组织混杂在组织病理图像中，因此利用人工智能技术，模拟病理学家对组织病理图片进行智能分析时，需要在大量图像块中精确标注病变组织、正常组织区域，其人工标注的代价过于高昂。

技术实现思路

[0004]本专利技术旨在解决现有技术中存在的技术问题，本专利技术的目的是提供一种病理图片染色组织区域检测方法、检测系统及预后状态分析系统。
[0005]为实现上述目的，根据本专利技术的第一个方面，本专利技术提供了一种病理图片染色组织区域检测方法，其包括如下步骤：
[0006]S1，获取训练样本组织病理WSI图像I
n
，n为样本序号，n∈[N]，N为样本数，N取值为自然数；
[0007]S2，获取第n个样本的多个WSI图像构成的图像块patch的集合，用词袋β
n
表示，每个词袋b∈β
n
的特征由一组图像块τ
b
表示，b为词袋序号，将图像块的特征向量映射为图像块的预测类别标签概率，并获取词袋的真实类别标签，对染色组织区域检测器进行训练，训练过程即求解损失函数的最小化过程：
[0008]where:
[0009][0010][0011][0012]其中，损失函数定义为三种区域的真实类别标签和预测类别标签概率间的交叉熵的加权组合，L()是交叉熵函数，L
t
、L
b
、L
m
分别是染色组织区域、血液干扰区域、黏液干扰区域的真实类别标签，训练染色组织区域检测器D
tissue
(patch,θ
D
)包括特征提取器D
tissue
(.；θ
Df
)以及区域类别标签预测器D
tissue
(.；θ
Dc
)，θ
D
为待分类的区域的可训练参数；θ
Df
是组织区域检测网络中的特征集合，θ
Dc
是区域类别标签预测器的可训练参数，x
i
为输入染色组织区域检测网络的图像块patch，是区域检测网络D
tissue
(patch,θ
D
)中的特征提取器D
tissue
(.；θ
Df
)的可训练参数的迭代结果、区域类别标签预测器D
tissue
(.；θ
Dc
)的可训练参数的迭代结果，是图像快x
i
通过区域检测网络D
tissue
(patch,θ
D
)后，获得的图像块类别标签，即该图像块属于染色组织区域、血液干扰区域、黏液干扰区域的预测类别标签概率三者中的最大者；α1*L
ts
、α2*L
bi
、α3*L
mi
项分别用于衡量染色组织区域、血液干扰区域、黏液干扰区域图像块类别标签预测的加权交叉熵损失函数，α
i
为权重，i为区域类型序号，i＝1，2，3；
[0013]S3，获取待检测WSI图像，对WSI图像进行预处理，利用训练好的染色组织区域检测器对预处理后WSI图像的染色组织区域进行检测。
[0014]依据本专利技术的病理图片染色组织区域检测方法通过预处理器去除了WSI图像中的空白背景区域，只需完成对少量图像块区域的简单类型(空白区域、血液干扰区域、黏液干扰区域、染色组织区域)标注，无需对每个图像块区域进行精确类型(正常组织区域、病变组织区域)标注，利用染色组织区域检测器针对WSI图像中的三种典型图像区域进行识别，即血液干扰区域、黏液干扰区域、染色组织区域的识别，实现染色组织区域的检测，大幅降低了处理工作量。
[0015]为实现上述目的，根据本专利技术的第二个方面，本专利技术提供了一种病理图片染色组织区域检测系统，其包括处理单元，所述处理单元包括图像预处理器和染色组织区域检测器；所述图像预处理器接收病理WSI图像并进行预处理；所述染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测。
[0016]本专利技术的病理图片染色组织区域检测系统只需完成对少量图像块区域的简单类型标注，无需对每个图像块区域进行精确类型标注，即能够实现对染色组织区域的检测，大幅降低了处理工作量，提高了检测效率。
[0017]为实现上述目的，根据本专利技术的第三个方面，本专利技术提供了一种预后状态分析系统，其包括处理单元，所述处理单元包括图像预处理器、染色组织区域检测器和预后状态预测器；所述图像预处理器接收待分析病理WSI图像；所述染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测；所述预后状态预测器获得染色组织区域对应的词袋类别标签，根据所述词袋类别标签，获得该样本的预后状态指标。
[0018]本专利技术只需完成对WSI图像中少量图像块区域的简单类型标注，无需对每个图像块区域进行精确类型标注，即可利用病例图像及其生理信息，完成病例的预后状态分析，降
低了处理工作量，提高了分析效率。根据本专利技术的一种优选实施方式，对WSI图像进行预处理的方法为：对WSI图像均匀分块，丢弃边缘部分的图像块，针对前景区域、空白背景区域进行语义分割，所述前景区域包括染色组织区域、血液干扰区域、黏液干扰区域，丢弃前景区域占比低于阈值T的图像块。
[0019]本专利技术通过预处理器去除WSI图像中的空白背景区域，便于实现染色组织区域的检测。
[0020]根据本专利技术的另一种优选实施方式，预后状态预测器利用训练样本进行训练，获得词袋类别标签获取模型，训练过程为：词袋bag
i
包含来自同一样本的多个图像块，以及该词袋对应样本的生理状况信息psy；以词袋对应样本的预后状况作为词袋类别标签，预测结果为：
[0021][0022]其中，预后状态标签预后状态分析网络P
state
(tissue,psy；θ
P
)，染色组织区域特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理图片染色组织区域检测方法，其特征在于，包括如下步骤：S1，获取训练样本WSI图像I
n
，n为样本序号，n∈[N]，N为样本数，N取值为自然数；S2，获取第n个样本的多个WSI图像构成的图像块patch的集合，用词袋β
n
表示，每个词袋b∈β
n
的特征由一组图像块τ
b
表示，b为词袋序号，将图像块的特征向量映射为图像块的预测类别标签概率，并获取词袋的真实类别标签，对染色组织区域检测器进行训练，训练过程即求解损失函数的最小化过程：where:where:where:其中，损失函数定义为三种区域的真实类别标签和预测类别标签概率间的交叉熵的加权组合，L()是交叉熵函数，L
t
、L
b
、L
m
分别是染色组织区域、血液干扰区域、黏液干扰区域的真实类别标签，训练组织区域检测网络D
tissue
(patch,θ
D
)包括特征提取器D
tissue
(.；θ
Df
)以及区域类别标签预测器D
tissue
(.；θ
Dc
)，θ
D
为待分类的区域的可训练参数；θ
Df
是组织区域检测网络中的特征集合，θ
Dc
是区域类别标签预测器的可训练参数，x
i
为输入染色组织区域检测网络的图像块patch，是区域检测网络D
tissue
(patch,θ
D
)中的特征提取器D
tissue
(.；θ
Df
)的可训练参数的迭代结果、区域类别标签预测器D
tissue
(.；θ
Dc
)的可训练参数的迭代结果，是图像快x
i
通过区域检测网络D
tissue
(patch,θ
D
)后，获得的图像块类别标签，即该图像块属于染色组织区域、血液干扰区域、黏液干扰区域的预测类别标签概率三者中的最大者；α1*L
ts
、α2*L
bi
、α3*L
mi
项分别用于衡量染色组织区域、血液干扰区域、黏液干扰区域图像块类别标签预测的加权交叉熵损失函数，α
i
为权重，i为区域类型序号，i＝1，2，3；S3，获取待检测WSI图像，对WSI图像进行预处理，利用训练好的染色组织区域检测器对预处理后WSI图像的染色组织区域进行检测。2.根据权利要求1所述的病理图片染色组织区域检测方法，其特征在于，权重α
i
获取具体过程为：统计训练样本中K种类别的样本数量N1,N2,...,N
K
，其中N
k
是第k种类别的训练样本数量，所述训练样本的类别K为3，不同取值代表染色组织区域样本、血液干扰区域样本和黏液干扰区域样本；将权重分配给每个类别的训练样本，该权重与训练样本中该类别样本的数量成反比：
其中，α
j
是权重，分配给相应类别L
j
内的每个训练样本。3.根据权利要求1所述的病理图片染色组织区域检测方法，其特征在于，对WSI图像进行预处理的方法为：对WSI图像均匀分块，丢弃边缘部分的图像块，针对前景区域、空白背景区域进行语义分割，所述前景区域包括染色组织区域、血液干扰区域、黏液干扰区域，丢弃前景区域占比低于阈值T的图像块。4.一种病理图片染色组织区域检测系统，其特征在于，包括处理单元，所述处理单元包括图像预处理器和染色组织区域检测器；所述图像预处理器接收病理WSI图像并进行预处理；所述染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测。5.一种预后状态分析系统，其特征在于，包括处理单元，所述处理单元包括图像预处理器、染色组织区域检测器和预后状态预测器；所述图像预处理器接收待分析病理WSI图像并进行预处理；所述染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测；所述预后状态预测器获得染色组织区域对应的词袋类别标签，根据所述词袋类别标签，获得该样本的预后状态指标。6.根据权利要求5所述的预后状态分析系统，其特征在于，图像预处理器对WSI图像进行预处理的方法为：对WSI图像均匀分块，丢弃边缘部分的图像块，针对前景区域、空白背景区域进行语义分割，所述前景区域包括染色组织区域、血液干扰区域、黏液干扰区域，丢弃前景区域占比低于阈值T的图像块。7.根据权利要求5所述的预后状态分析系统，其特征在于，染色组织区域检测器的训练方法为：训练过程即求解损失函数的最小化过程，where:where:where:其中，损失函数定义为三种区域的真实类别标签和预测类别标签概率间的交叉熵的加权组合，L()是交叉熵函数，L
t
、L
b
、L
m
分别是染色组织区域、血液干扰区域、黏液干扰区域
的真实类别标签，训练组织区域检测网络D
tissue
(patch,θ
D
)包括特征提取器D
tis...

【专利技术属性】
技术研发人员：廖欣，郑欣，李清丽，
申请(专利权)人：四川大学华西第二医院，
类型：发明
国别省市：