一种病理图像分割分级方法、装置、设备和介质制造方法及图纸

本申请提供的一种病理图像分割分级方法、装置和设备，通分将包含特异性病理染色标志物的原始病理图像进行经过HE

【技术实现步骤摘要】
一种病理图像分割分级方法、装置、设备和介质


[0001]本专利技术涉及机器学习
，特别是涉及一种病理图像分割分级方法、装置和设备。

技术介绍

[0002]病理学诊断一直是临床上恶性肿瘤诊断和分型的“金标准”，但病理医生的人工读片面对主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验传承困难等问题。目前中国医疗卫生机构床位数已达千万级别，病理医生需求量为10
‑
20万人，目前存在10万人数级别的缺口。从近年来的肿瘤病人出院人数情况来看，肿瘤病人就诊人数呈现出爆发式的增长，年均增长率超过10％。
[0003]目前，形态病理学诊断依赖于人工判读，这一过程不仅耗费人工，且准确性极度依赖于病理专业医生的判读水平和经验。随着人工智能的技术的发展和完善，以反卷积为代表的AI算法在图像解析识别等领域迅速崛起，为病理图像的智能判断提供了技术基础。
[0004]病理图像的智能诊断包括深度学习应用卷积网络提取特征，再结合全接连层等，来完成分类和预测，然而其应用受到了以下限制：1、特征建模阶段受限于数据集的规模；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理图像分割分级方法，其特征在于，所述方法包括：将包含特异性病理染色标志物的原始病理图像进行经过HE
‑
Norm处理，分别得到H通道图像和E通道图像，并分别进行数据增强处理与标准化处理；输入卷积神经网络模型中以进行病变区域自动分割得到分割结果；将图像与分割结果输入分类器以得到病变程度的分级结果；根据分割结果和分级结果生成对应不同病变等级的分割图像。2.根据权利要求1所述的方法，其特征在于，所述特异性病理染色标志物是基于多个中心大数据筛选出能对癌细胞进行早期诊断或转移预后预测的特异性病理标志物，再通过染色处理得到的。3.根据权利要求1所述的方法，其特征在于，所述特异性病理标志物包括：PD1、PD
‑
L1、EZH2、EGFR、Cyclin D1及CD166中任意一种或多种。4.根据权利要求1所述的方法，其特征在于，所述数据增强处理的操作包括：无翻转、水平翻转、竖直翻转、及旋转中任意一种或多种组合。5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括：UNet网络和ResNet34网络；所述UNet网络通过多任务的训练用于实现病变区域自动分割；所述ResNet34网络为分类网络，用于结合所述UNet网络的分割结果进行分级。6.根据权利要求5所述的方法，其特征在于，所述UNet网络用于：输入处理后的H通道图像和E通道图像的叠加图；利用UNet网络对所述叠加图进行癌巢区域的勾画，使用Dice Loss作为损失函数，以训练对癌巢病变区域的...

【专利技术属性】
技术研发人员：陈万涛，张瑱，刘喆麒，曹巍，王晓宁，吴若怡，王利生，李江，安成洋，邹欣，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：