细胞病理图像质量评价方法技术

细胞病理图像质量评价方法，本发明专利技术涉及自动化病理诊断技术中，缺乏细胞病理图像质量评价方法的问题。病理切片数字化积累了大量的数据，是自动化病理诊断的重要前提。然而扫描产生的质量不合格的细胞病理图像严重影响了自动化病理诊断的效率，甚至导致误诊和漏诊。现在存在的很多图像质量评价方法都没有考虑到细胞病理医生对于样本图像的评价标准，不适用于自动化病理诊断领域。为改善这一问题，本发明专利技术提出了一种基于《宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识》和TBS(The Bethesda system)诊断标准的细胞病理图像质量评价方法。实验表明，该方法能有效地评价细胞病理图像的质量，提高自动病理诊断的效率。本发明专利技术应用于细胞病理图像的质量评价。本发明专利技术应用于细胞病理图像的质量评价。本发明专利技术应用于细胞病理图像的质量评价。

Evaluation method of cellular pathological image quality

【技术实现步骤摘要】
细胞病理图像质量评价方法


[0001]本专利技术设计细胞病理图像质量评价方法

技术介绍

[0002]近年来宫颈癌高发，已经成为威胁妇女生命的社会问题。在全世界女性中，每年新诊断宫颈癌约52.76万人，近26.50万人死于该病，其中90％死者位于不发达地区。中国每年新发现宫颈癌例数约7.5万，占全球宫颈癌新发总人数的1/7，3.5万人死于此病。目前有效的宫颈癌筛查方法是宫颈脱落细胞涂片病理检查。随着科学技术的进步和发展，依靠病理医生在显微镜下诊断的传统方式面临多种问题，例如耗时耗力，受医生主观影响比较大等，这使自动化病理诊断大规模发展。通过病理图像快速采集设备获得清晰的样本图像，并且有良好的评价流程至关重要。病理切片数字化积累了大量的数据，是人工智能辅助病理诊断的重要前提，每天会有大量的样本被扫描，而扫描质量不合格的细胞病理图像会严重影响自动化病理诊断的效率，甚至导致误诊和漏诊。虽然现在存在很多的图像质量评价方法，但是这些方法没有考虑到细胞病理医生对于样本图像的评价标准，因此不适用于自动化病理诊断领域。基于《宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识》和TBS(The Bethesda system)诊断标准提出的细胞病理图像质量评价方法旨在改善这一问题，对细胞病理图像的可信度进行评价，规范病理诊断流程，降低医生诊断难度，提高病理诊断效率和准确率。该方法提出了多种评价指标用于评价细胞病理图像的质量，通过提取与细胞病理图像质量相关的特征，输入回归模型完成图像质量评价。
[0003]细胞图像质量评价方法的关键在于图像特征的提取，WSI图像的数据量非常大，通常WSI图像包含上亿数量级的像素。用金字塔分割的方式，获得金字塔不同层的图像。对不同特征的计算需求选择合适的分辨率，能有效提高运算的速度，减少计算资源浪费。图像的有效视野是否完整、图像是否存在栅格样成像的判别在低分辨率金字塔图像中即可完成判别，故上述两个特征在金字塔第六层图像中完成评价；在金字塔图像的第五层，完成染色标准、图像清晰度的评价；高分辨率图像包含更精细的图像细节，有助于观察细胞结构与形态，因此在金字塔图像的第二层完成脏污面积占比、鳞状上皮细胞数量和细胞团数量的评价。将以上7个图像特征输入XGBoost模型中，获得细胞病理图像的质量分数，依据分数给出图像在自动化病理诊断系统中的应用方式。

技术实现思路

[0004]本专利技术的目的是为了解决细胞病理图像质量缺乏统一、规范的评价方法的问题，而提出的一种细胞病理图像质量评价方法。
[0005]上述专利技术目的主要是通过以下技术方案实现的：
[0006]1、扫描仪扫描样本，获得全景切片图像。然后用金字塔分割的方式，获得金字塔不同层的图像；
[0007]细胞图像质量评价方法的关键在于图像特征的提取，WSI图像的数据量非常大，通
常WSI图像包含上亿数量级的像素。因此采用金字塔分割的方式，获得金字塔不同层的图像。对不同特征的计算需求选择合适的分辨率，能有效提高运算的速度，减少计算资源浪费。图像的有效视野是否完整、图像是否存在栅格样成像的判别在低分辨率金字塔图像中即可完成判别，故上述两个特征在金字塔第六层图像中完成评价；在金字塔图像的第五层，完成染色标准、图像清晰度的评价；高分辨率图像包含更精细的图像细节，有助于观察细胞结构与形态，因此在金字塔图像的第二层完成脏污面积占比、鳞状上皮细胞数量和细胞团数量的评价。
[0008]2、利用金字塔第六层图像，提取样本有效视野判断其是否完整，然后提取样本有效视野外区域的纹理特征，判断是否出现图像栅格样成像；
[0009]S21、提取图像金字塔的第六层，获得一张完整视野图像I；
[0010]S22、利用图像分割方法分割图像I，获得二值图像T；
[0011]S23、对二值图像T做预处理将图像中所有轮廓连成一个大轮廓，得到样本的有效视野；
[0012]S24、提取有效视野的坐标，获得其外接矩形；
[0013]S25、根据外接矩形在整张图像中的位置确定有效视野是否完整，若完整则记为f1＝1，若不完整则记为f1＝0；
[0014]S26、根据步骤S23中获得的大轮廓，提取轮廓以外区域的纹理特征值T；
[0015]S27、利用S26的方法提取标准图像中轮廓以外区域的纹理特征值，然后对特征值做聚类分析，获得标准图像的纹理特征值范围；
[0016]S28、判断纹理特征值T是否在标准图像的纹理特征值范围内，若在标准图像的纹理特征值范围内则不存在栅格样成像，判定为合格记为f2＝1，若存在栅格样成像则记为f2＝0。
[0017]3、根据金字塔第五层图像，利用颜色反卷积方法判断细胞染色是否标准；
[0018]S31、提取图像金字塔的第五层，得到分割为固定大小的非重叠patch图像；
[0019]S32、对每个patch图像进行颜色反卷积，分离出苏木精通道和伊红通道的染色分布图像M1、M2，颜色反卷积的步骤如下：
[0020]对每个OD向量的分量都除以向量的长度：
[0021][0022][0023][0024]从而得到标准化后的OD矩阵M:
[0025][0026]标准化后的hematoxylin,eosin，DAB的OD矩阵为式(5):
[0027][0028]设每个像素上每种染色剂的权重为C，C为3
×
1的向量，在OD空间下像素点的OD值为y＝CM，颜色反卷积矩阵就是OD矩阵的逆矩阵D＝M
‑1，正交化的图像可以表示为式(6)所示：
[0029]C＝D[y]ꢀꢀ
(6)
[0030]对于hematoxylin,eosin，DAB来说，颜色反卷积矩阵D为:
[0031][0032]S33、对染色分布图像M1、M2进行图像二值化，计算出两个通道染色的图像掩膜；
[0033]S34、图像掩膜与原图像进行图像与运算，获得苏木精和伊红染色像素所在的位置，计算出苏木精和伊红通道的平均灰度值；
[0034]S35、对医生提供的标准样片按照上述步骤获得其苏木精和伊红像素的平均灰度值，然后进行聚类分析，得到标准灰度值范围；
[0035]S36、判断细胞染色是否标准，若苏木精和伊红通道的平均灰度值在标准灰度值范围内判定为染色标准记为f3＝1，若不在则染色标准记为f3＝0。
[0036]4、根据金字塔第五层图像，利用引入注意力机制的卷积神经网络ResNet
‑
34，对图像清晰度进行分类，判断图像是否清晰；
[0037]S41、提取图像金字塔的第五层，得到分割为固定大小的非重叠patch图像；
[0038]S42、创建数据集，选取H&E染色的全视野数字切片，对每张切片在20倍放大倍数下扫描一个约6毫米面积的感兴趣区域(Region Of Interest,ROI)，对每个ROI选取25个聚焦点，在[
‑
2.5μm，+2.5μ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.细胞病理图像质量评价方法，其特征在于，包含如下步骤：S1、扫描仪扫描样本，获得全景切片图像，然后用金字塔分割的方式，获得金字塔不同层的图像；S2、利用金字塔第六层图像，提取样本有效视野判断其是否完整，然后提取样本有效视野外区域的纹理特征，判断是否出现图像栅格样成像；S3、根据金字塔第五层图像，利用颜色反卷积方法判断细胞染色是否标准；S4、根据金字塔第五层图像，利用引入注意力机制的卷积神经网络ResNet
‑
34，对图像清晰度进行分类，判断图像是否清晰；S5、在图像金字塔的第二层，利用YOLOv5s对图像进行目标检测，判断图像中脏污面积占比、鳞状上皮细胞和细胞团数量是否满足TBS图像标准；S6、将S2
‑
S5中获得的图像特征输入XGBoost模型，获得图像特征值的图像质量分数；S7、将细胞图像质量评价方法应用在智能病理诊断系统中。2.如权利要求1所述的细胞病理图像质量评价方法，其特征在于，步骤S2中所述的利用金字塔第六层图像，提取样本有效视野判断其是否完整，然后提取样本有效视野外区域的纹理特征，判断是否出现图像栅格样成像，方法如下：S21、提取图像金字塔的第六层，获得一张完整视野图像I；S22、利用图像分割方法分割图像I，获得二值图像T；S23、对二值图像T做预处理将图像中所有轮廓连成一个大轮廓，得到样本的有效视野；S24、提取有效视野的坐标，获得其外接矩形；S25、根据外接矩形在整张图像中的位置确定有效视野是否完整，若完整则记为f1＝1，若不完整则记为f1＝0；S26、根据步骤S23中获得的大轮廓，提取轮廓以外区域的纹理特征值T；S27、利用S26的方法提取标准图像中轮廓以外区域的纹理特征值，然后对特征值做聚类分析，获得标准图像的纹理特征值范围；S28、判断纹理特征值T是否在标准图像的纹理特征值范围内，若在标准图像的纹理特征值范围内则不存在栅格样成像，判定为合格记为f2＝1，若存在栅格样成像则记为f2＝0。3.如权利要求1所述的细胞病理图像质量评价方法，其特征在于，步骤S3中所述的根据金字塔第五层图像，利用颜色反卷积方法判断细胞染色是否标准，判定方法如下：S31、提取图像金字塔的第五层，得到分割为固定大小的非重叠patch图像；S32、对每个patch图像进行颜色反卷积，分离出苏木精通道和伊红通道的染色分布图像M1、M2，颜色反卷积的步骤如下：对每个OD向量的分量都除以向量的长度：个OD向量的分量都除以向量的长度：个OD向量的分量都除以向量的长度：从而得到标准化后的OD矩阵M：
标准化后的hematoxylin,eosin，DAB的OD矩阵为式(5)：设每个像素上每种染色剂的权重为C，C为3
×
1的向量，在OD空间下像素点的OD值为y＝CM，颜色反卷积矩阵就是OD矩阵的逆矩阵D＝M
‑1，正交化的图像可以表示为式(6)所示：C＝D[y]
ꢀꢀ
(6)对于hematoxylin,eosin，DAB来说，颜色反卷积矩阵D为:S33、对染色分布图像M1、M2进行图像二值化，计算出两个通道染色的图像掩膜；S34、图像掩膜与原图像进行图像与运算，获得苏木精和伊红染色像素所在的位置，计算出苏木精和伊红通道的平均灰度值；S35、对医生提供的标准样片按照上述步骤获得其苏木精和伊红像素的平均灰度值，然后进行聚类分析，得到标准灰度值范围；S36、判断细胞染色是否标准，若苏木精和伊红通道的平均灰度值在标准灰度值范围内判定为染色标准记为f3＝1，若不在则染色标准记为f3＝0。4.如权利要求1所述的细胞病理图像质量评价方法，其特征在于，步骤S4中所述的根据金字塔第五层图像，利用引入注意力机制的卷积神经网络ResNet
‑
34，对图像清晰度进行分类，判断图像是否清晰，判定方法如下：S41、提取图像金字塔的第五层，得到分割为固定大小的非重叠patch图像；S42、创建数据集，选取H&E染色的全视野数字切片，对每张切片在20倍放大倍数下扫描一个约6毫米面积的感兴趣区域(Region Of Interest,ROI)，对每个ROI选取25个聚焦点，在[
‑
2.5μm，+2.5μm]之间对聚焦平面加入固定扰动，获得相同ROI及相同ROI的不同焦平面图像作为数据集；S43、对数据集进行标注，将偏移量在[
‑
0.5,+0.5]之间的patch图标记为清晰图像，其余标记为模糊；S44、使用引入了注意力机制的卷积神经网络ResNet
‑
34进行分类模型的训练，得到分类网络；S45、用分类网络对patch图像进行分类，得到patch图像的聚焦点，若偏移量在[
‑
0.5,+0.5]之间判定为清晰，记为f4＝1，若不在则判定为不清晰，记为f4＝0。5.如权利要求1所述的细胞病理图像质量评价方法，其特征在于，步骤S5中所述的在图像金字塔的第二层，利用YOLOv5s对图像进行目标检测，判断图像中脏污面积占比、鳞状上皮细胞和细胞团数量是否满足T...

【专利技术属性】
技术研发人员：何勇军，刘皓晨，王泽鑫，赵晶，谢怡宁，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：