非小细胞肺癌H＆E染色图像多种组织分割方法、系统及存储介质技术方案

本发明专利技术公开了一种非小细胞肺癌H&E染色图像多种组织分割方法、系统及存储介质，方法包括下述步骤：组织类型分类，确定非小细胞肺癌H&E染色数字病理图像中组织类型的分布状况；组织类型上色，根据非小细胞肺癌H&E染色数字病理图像中不同组织类型的分布状况，为不同组织类型的像素区域上色，以区分不同组织类型，并突出不同组织类型的视觉表达；病理WSI多种组织分割，根据非小细胞肺癌H&E染色数字病理图像中组织类型的分布状况，将已上色的组织类型的像素区域整合在一起，实现组织区域定位，完成组织分割。本发明专利技术可实现自动地完成非小细胞肺癌H&E染色图像多种组织分类与病理WSI分割。割。割。

【技术实现步骤摘要】
非小细胞肺癌H＆E染色图像多种组织分割方法、系统及存储介质


[0001]本专利技术属于数字图像处理的
，具体涉及一种非小细胞肺癌苏木精
‑
伊红(H&E)染色图像多种组织分割方法、系统及存储介质。

技术介绍

[0002]肺癌的死亡率在所有癌症中高居第一，非小细胞肺癌约占所有肺癌总数的75％。H&E染色病理图像分析是病理医生对非小细胞肺癌诊断的常规方法和手段之一。病理WSI多种组织分割和面积计算有利于辅助病理医生对疾病进行精准量化和分析，具有重要的临床意义和科学价值。

技术实现思路

[0003]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种非小细胞肺癌H&E染色图像多种组织分割方法、系统及存储介质，本专利技术可实现非小细胞肺癌H&E染色图像多种组织自动化分割，和人工流程相比，可以极大减少非小细胞肺癌H&E染色图像多种组织分割的时间成本和人力成本。
[0004]为了达到上述目的，本专利技术采用以下技术方案：...

【技术保护点】

【技术特征摘要】
1.非小细胞肺癌H&E染色图像多种组织分割方法，其特征在于，包括下述步骤组织类型分类，确定非小细胞肺癌H&E染色数字病理图像中组织类型的分布状况，组织类型分为：肿瘤上皮、肿瘤间质、背景区域、淋巴细胞、正常组织、支气管、血管、坏死区域、黑色碳尘区域和其他；组织类型上色，根据非小细胞肺癌H&E染色数字病理图像中不同组织类型的分布状况，为不同组织类型的像素区域上色，以区分不同组织类型，并突出不同组织类型的视觉表达；病理WSI多种组织分割，根据非小细胞肺癌H&E染色数字病理图像中组织类型的分布状况，将已上色的组织类型的像素区域整合在一起，实现组织区域定位，完成组织分割。2.根据权利要求1所述的非小细胞肺癌H&E染色图像多种组织分割方法，其特征在于，所述组织类型分类的步骤具体为：划分子图像块，对病理WSI采用阈值分割和高斯模糊技术，生成组织掩码，所述组织掩码为高分辨率病理图像的组织区域掩码，过滤掉背景区域，只保留组织区域，根据组织区域，采用含有重叠区域的滑动窗口，将组织区域内的图像分为若干RGB子图像块；子图像块识别，采用预先训练好的双线性卷积模型，对RGB子图像块进行识别，所述双线性卷积模型包括ResNet50、双线性池化层和注意力机制层，所述ResNet50用于从H&E染色数字病理图像中提取出端到端特征，将最后一层卷积层提取的深度学习特征输入到双线性池化层，所述双线性池化层收到深度学习特征后，捕获非小细胞肺癌组织类型的细粒度特征，提取H&E染色数字病理图像的高度局部特征；所述注意力机制层收到从双线性池化层中提取出的细粒度特征后，提取出特征赋予注意力权重，从而让模型将学习的重点放到更关键的特征上，聚焦到更具有区分度的局部特征，提高模型对组织类型的识别能力。3.根据权利要求2所述的非小细胞肺癌H&E染色图像多种组织分割方法，其特征在于，所述双线性池化层是一种双线性结构，线性结构具体为：y＝b+w
T
xy是模型的输出,b是偏置项,w∈R
n
是对应的转置权重矩阵，n是输入特征的维度；双线性池化层为：y＝b+w
T
x+x
T
F
T
FxF∈R
k
×
n
是含有因素的权重矩阵。4.根据权利要求2所述的非小细胞肺癌H&E染色图像多种组织分割方法，其特征在于，所述注意力机制层具体为：所述注意力机制层具体为：e
i
＝wf
i
c是被赋予注意力权重的特征，a
i
为注意力权重，e
i
为注意力分数，w是可学习的参数。5.根据权利要求2所述的非小细胞肺癌H&E染色图像多种组织分割方法，其特征在于，所述双线性卷积模型通过下述方式进行预训练：在用于训练的非小细胞肺癌H&E染色数字病理图像上标注出10类不同类型的组织类型，分别是肿瘤上皮、肿瘤间质、背景区域、淋巴细胞、正常组织、支气管、血管、坏死区域、...

【专利技术属性】
技术研发人员：刘再毅，潘细朋，王志臻，陈浩，许睿，梁长虹，刘振丙，陈鑫，韩楚，颜黎栩，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：