基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统技术方案

本发明专利技术涉及一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法及系统，步骤包括：1)获取全视野乳腺癌前哨淋巴结病理图像，人工标注乳腺癌的转移区域；2)利用全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成训练集和验证集，利用DenseNet网络模型进行训练；3)对单张全视野乳腺癌病理图像进行预测，获得乳腺癌概率热图；4)计算所有训练集的全视野乳腺癌病理图像乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，利用线性分类器进行训练；5)对于测试集全视野病理图像计算乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，预测乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。腺癌区域的自动检测。腺癌区域的自动检测。

【技术实现步骤摘要】
基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统


[0001]本专利技术属于病理图像处理
，具体涉及一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法及系统，采用该方法能够对全视野乳腺癌前哨淋巴结病理图像自动分析，实现乳腺癌区域的自动检测。

技术介绍

[0002]乳腺癌是女性在所有恶性肿瘤当中发病率最高的一种，在国内约占全部恶性肿瘤的17％左右，严重危害着女性的健康，甚至危及生命。乳腺癌病因尚未完全清楚，且发病率很高，但如果能早期发现，治愈的可能性非常高。乳腺癌的早期发现、早期确诊，是提高疗效的关键。在乳腺癌的诊疗过程中，有乳腺超声，乳腺钼靶，核磁共振，体格检查、患者症状汇总、病理检查和基因等医学手段用于诊断。通过B超检查发现肿块向周围组织浸润形成强回声带，正常乳房结构破坏以及肿块上方局部皮肤凹陷或增厚等，经乳腺钼靶和磁共振对于微小病灶、多中心、多病灶进行仔细查看，此时基本都能对乳腺癌做出有效的甄别。其中，病理检查是乳腺癌诊断的金标准，前哨淋巴结是乳腺癌淋巴转移的第一站，乳腺癌前哨淋巴结活检技术是乳腺外科领域里程碑式的进展。
[0003]当前，对于乳腺癌的治疗中，通常将乳腺区段切除术作为治疗乳腺良性肿块的常用方式，其具有操作方便、切除彻底等特点而在临床中得到广泛的应用。但也存在在手术切口愈合时间长，术后疼痛比较长等缺点，而且，乳腺区段的病灶切除术需做前哨淋巴结活检术，其操作是在腋下做一小切口并准确地将前哨淋巴结切除、活检，若病理为阴性则手术结束，若为阳性则需清扫腋窝淋巴结。基于病理切片的前哨淋巴结乳腺癌检测是临床病理工作的重要部分，其检测结果直接影响放疗、化疗和可能需要手术切除额外淋巴结等情况的治疗决策。病理图像是超大千兆像素图像，图像大小为106x106，这对病理科医生来说是一个十分耗时且具挑战性的工作。因此，设计一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法和系统具有重要的临床应用价值。

技术实现思路

[0004]针对上述现有技术存在的缺陷或不足，本专利技术提供一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法。
[0005]为了实现上述任务。本专利技术通过如下技术解决方案予以实现：
[0006]一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，其特征在于，按如下步骤实施：
[0007]步骤1：获取由病理专家人工标注的带有乳腺癌的转移区域的全视野乳腺癌前哨淋巴结病理图像；
[0008]步骤2：利用全视野乳腺癌前哨淋巴结病理图像和专家标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，以及训练DenseNet网络模型参数；具体为：
[0009]1)利用全视野病理图像金字塔结构，对病理图像进行最低分辨率抽样，获得低分
辨率病理图像和标注结果；
[0010]2)对低分辨率病理图像进行预处理，利用二值法和形态学算子生成包含正常病理组织的感兴趣区域和乳腺癌的标注区域；
[0011]3)在正常病理组织和乳腺癌区域内利用随机生成策略，随机生成坐标点，并将坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成病理图像块；
[0012]4)对所有标注病理图像，按照上述步骤2)～步骤3)的内容进行操作，自动生成的正常病理图像块和乳腺癌病理图像块，并划分训练集和验证集；
[0013]5)构建DenseNet网络模型，利用乳腺癌病理图像块的训练集和验证集进行网络模型训练，保存最佳网络权重系数；
[0014]步骤3：对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；具体为：
[0015]1)对于单张全视野乳腺癌前哨淋巴结病理图像，进行病理图像最低分辨率抽样，获得最低分辨率病理图像；
[0016]2)对抽样后的病理图像进行预处理，利用二值法和形态学算子获取含有病理组织的感兴趣区域；
[0017]3)对于感兴趣区域按照顺序生成策略，获取最低分辨率下感兴趣区域内部所有的坐标点；将生成的坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成测试病理图像块；
[0018]4)对生成的测试病理图像块进行预测，获取图像块的乳腺癌区域预测概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；
[0019]步骤4：计算训练集中所有的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，根据特征向量和专家标签构建全视野乳腺癌前哨淋巴结病理图像的数据集，并利用线性分类器训练该数据集；具体为：
[0020]1)对于训练集中所有的全视野乳腺癌前哨淋巴结病理图像，重复步骤3的内容，预测所有训练集全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；
[0021]2)对乳腺癌概率热图进行二值化，抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建全视野乳腺癌前哨淋巴结病理图像数据集，其中，专家标签中，1表示乳腺癌，0表示正常；
[0022]3)利用线性分类器训练全视野乳腺癌前哨淋巴结病理图像数据集，保存线性分类器的模型参数。
[0023]步骤5：对测试集全视野乳腺癌前哨淋巴结病理图像预测乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，得到全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域发生概率，实现乳腺癌区域的自动检测；具体为：
[0024]1)对于测试集全视野乳腺癌前哨淋巴结病理图像，进行最低分辨率抽样，利用二值法和形态学算子获取含有病理组织的感兴趣区域，通过顺序生成策略生成病理图像块；
[0025]2)利用DenseNet网络模型和网络权重系数进行预测，合成最低分辨率下全视野乳腺癌前哨淋巴结病理图像的概率热图；
[0026]3)对于全视野乳腺癌前哨淋巴结病理图像的概率热图，进行二值化，抑制孤立噪
声，计算乳腺癌特征向量；
[0027]4)利用线性分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
[0028]根据本专利技术，步骤1的具体方法是，全视野乳腺癌前哨淋巴结病理图像由新乡医学院第一附属医院病理科提供，病理图像类型为TIFF，SVS，5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注，超过半数以上专家认同为乳腺癌，则人工标注乳腺癌转移区域，并将标注保存为xml文件。
[0029]作为一种优选方案，步骤2中的步骤1)的具体方法是：利用openslide包中的slide.level_downsamples函数获取下采样因子n，计算最低分辨率(2
n
)，并对全视野乳腺癌前哨淋巴结病理图像和标注区域进行最低分辨率抽样，得到在最低分辨率下的病理图像和标注图像；
[0030]步骤2中的步骤2)的具体方法是：对最低分辨率下病理图像进行预处理，利用OSTU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，其特征在于，按如下步骤实施：步骤1：获取由病理专家人工标注的带有乳腺癌的转移区域的全视野乳腺癌前哨淋巴结病理图像；步骤2：利用全视野乳腺癌前哨淋巴结病理图像和专家标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，训练DenseNet网络模型参数；具体为：1)利用全视野病理图像金字塔结构，对病理图像进行最低分辨率抽样，获得最低分辨率病理图像和标注结果；2)对最低分辨率病理图像进行预处理，利用二值法和形态学算子生成包含正常病理组织的感兴趣区域和乳腺癌的标注区域；3)在正常病理组织和乳腺癌区域内利用随机生成策略，随机生成坐标点，并将坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成病理图像块；4)对所有标注病理图像，按照上述步骤2)～步骤3)的内容进行操作，自动生成的正常病理图像块和乳腺癌病理图像块，并划分训练集和验证集；5)构建DenseNet网络模型，利用乳腺癌病理图像块的训练集和验证集训练网络模型参数，保存网络权重系数；步骤3：对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；具体为：1)对于单张全视野乳腺癌前哨淋巴结病理图像，进行病理图像最低分辨率抽样，获得最低分辨率病理图像；2)对抽样后的病理图像进行预处理，利用二值法和形态学算子获取含有病理组织的感兴趣区域；3)对于感兴趣区域按照顺序生成策略，获取最低分辨率下感兴趣区域内部所有的坐标点；将生成的坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成测试病理图像块；4)对生成的测试病理图像块进行预测，获取图像块的乳腺癌区域预测概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；步骤4：计算训练集中所有的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，根据特征向量和专家标签构全视野乳腺癌前哨淋巴结病理图像的数据集，并利用线性分类器训练该数据集；具体为：1)对于训练集中所有的全视野乳腺癌前哨淋巴结病理图像，重复步骤3的内容，预测所有训练集全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；2)对乳腺癌概率热图进行二值化并抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建全视野乳腺癌前哨淋巴结病理图像数据集，其中，专家标签中，1表示乳腺癌，0表示正常；3)利用线性分类器训练全视野乳腺癌前哨淋巴结病理图像数据集，保存线性分类器的模型参数。步骤5：对测试集全视野乳腺癌前哨淋巴结病理图像，生成预测乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，得到全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域发生概率，实现乳腺癌区域的自动检
测；具体为：1)对于测试集全视野乳腺癌前哨淋巴结病理图像，进行最低分辨率抽样，利用二值法和形态学算子获取含有病理组织的感兴趣区域，通过顺序生成策略生成病理图像块；2)利用DenseNet模型和网络权重系数进行预测，并合成最低分辨率下全视野乳腺癌前哨淋巴结病理图像的概率热图；3)对于全视野乳腺癌前哨淋巴结病理图像的概率热图，进行二值化，抑制孤立噪声，计算乳腺癌特征向量；4)利用线性分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。2.如权利要求1所述方法，其特征在于：步骤1的具体方法是，全视野乳腺癌前哨淋巴结病理图像由新乡医学院第一附属医院病理科提供，病理图像类型为TIFF，SVS，5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注，超过半数以上专家认同为乳腺癌，则人工标注乳腺癌转移区域，并将标注保存为xml文件。3.如权利要求1所述的方法，其特征在于：步骤2中的步骤1)的具体方法是：利用openslide包中的slide.level_downsamples函数获取下采样因子n，计算最低分辨率(2
n
)，并对全视野乳腺癌前哨淋巴结病理图像和标注区域进行最低分辨率抽样，得到在最低分辨率下的病理图像和标注图像；步骤2中的步骤2)的具体方法是：对最低分辨率下病理图像进行预处理，利用OSTU大津法计算最佳阈值进行图像二值化，并依次进行形态学闭运算和开运算的操作，得到病理组织区域，将病理组织与乳腺癌的标注区域相减得到含有正...

【专利技术属性】
技术研发人员：王昌，张文超，闫岑，张业宏，申杰奋，秦鑫，赵俊强，于毅，吴阳，王辰，
申请(专利权)人：新乡医学院，
类型：发明
国别省市：