一种基于病理图像的胶质瘤级别分析方法及装置制造方法及图纸

本发明专利技术提供一种基于病理图像的胶质瘤级别分析方法，包括：基于无标注的胶质瘤病理图像得到对应患者的图像块数据集，基于每个图像块数据集建立若干深度学习模型，采用集成学习方法整合所有深度学习模型，得到机器学习模型，利用机器学习模型获得不同胶质瘤级别的概率。本发明专利技术所述的分析方法可以基于无标注病理图像准确诊断胶质瘤级别的方法，一方面大幅减少人力成本，另一方面也降低了人主观性的干预，而且还能显著提高胶质瘤分级准确性。本发明专利技术基于所述的分析方法还提供一种分析胶质瘤病理图像的装置、用户终端及计算机可读存储介质。质。

【技术实现步骤摘要】
一种基于病理图像的胶质瘤级别分析方法及装置


[0001]本专利技术涉及一种病理切片的分析方法，具体涉及一种基于病理图像的神经胶质瘤级别分析方法及装置。

技术介绍

[0002]胶质瘤指的是具有与正常胶质细胞相似的组织学特征的肿瘤，起源尚不清楚，但属于最常见的脑实质内原发性肿瘤，占脑实质内原发性肿瘤的绝大多数。WHO根据胶质瘤不同的生物学特性和不同的恶性程度做出了分级，不同级别的胶质瘤的预后和治疗方法有所不同。因此，胶质瘤的分级对于肿瘤的诊断和治疗方案的制订具有重要意义。
[0003]为了精准地进行胶质瘤分级，临床上常规使用非侵入式成像的方法进行初步诊断后还需要通过组织采样获得病理图像。基于病理图像的诊断是肿瘤诊断的金标准，因此，实现及时准确的病理阅片对于胶质瘤患者的诊断和治疗具有重要意义。但是在发展中国家与不发达国家中，病理医生缺口极大，病理医生阅片工作量大，任务枯燥，存在一定的主观性。因此，建立基于人工智能的病理图像阅片系统是实现精准、快速、个性化医疗的重要手段。
[0004]近些年，利用人工智能方法实现胶质瘤等级诊断在精准医疗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于病理图像的胶质瘤级别分析方法，包括：基于无标注的胶质瘤病理图像得到对应患者的图像块数据集，基于每个图像块数据集建立若干深度学习模型，采用集成学习方法整合所有深度学习模型，得到机器学习模型，利用机器学习模型获得不同胶质瘤级别的概率。2.权利要求1所述的基于病理图像的胶质瘤级别分析方法，包括以下步骤：1）获取病理图像块数据集对无标注的胶质瘤全玻片病理图像进行预处理，然后从中提取包含有效区域的图像块，得到对应每位患者的图像块数据集；2）基于图像块数据集建立深度学习模型基于1）得到的每个所述的图像块数据集分别建立深度学习模型，作为图像块层次的深度学习模型实现对单一图像块的分级分析；重复独立地进行所述的深度学习模型的建立，建立N个图像块层次的深度学习模型，得到深度学习模型库；所述的深度学习模型数量N优选为大于或等于5的整数；更有选为大于10的整数；3）获取患者胶质瘤级别上的特征向量向2）所得的深度学习模型库输入1）所得的每位患者的图像块数据集中所有图像块，所述的深度学习模型库输出每张图像块分别对应K种胶质瘤级别的概率；由此得到每位患者的N
×
K的矩阵，其中包含每位患者在每种胶质瘤级别上的特征向量；4）利用机器学习模型计算胶质瘤级别概率根据3）得到的所有患者的特征向量，针对K种胶质瘤的分级分别进行机器学习建模，得到K个输出两个概率的机器学习模型，所述的两个概率分别为是该胶质瘤级别的概率和不是该胶质瘤级别的概率；对每位患者分别计算K种胶质瘤级别的概率。3.权利要求2所述的方法，其特征在于：1）所述的预处理是调整所有的全玻片数字病理图像分辨率和缩放比例，其中将所述的分辨率调整为0.01
‑
10 μm/pixel；更优选将所述的分辨率调整为0.1
‑
1.0μm/pixel；最优选将所述的分辨率调整为0.1
‑
0.5μm/pixel。4.权利要求2所述的方法，其特征在于：1）所述的提取包含有效区域的图像块，对拟提取的图像块的参数设置包括：全玻片病理图像实际分辨率为0.5μm/pixel时，提取图像块的大小为200~2000像素。5.权利要求2所述的方法，其特征在于：1）所述的包含有效区域的图像块，是有效区域占比超过50%的图像块。6.权利要求2所述的方法，其特征在于：1）还包括对提取得到的图像块的颜色标准化处理，包括：模板调整、通道取值调整，使所有的图像块具有比较类似的颜色模式，以提升系统的准确性和泛化能力。7.权利要求2所述的方法，其特征在于：2）所述的基于1）得到的每个所述的图像块数据集分别建立深度学习模型，是建立基于卷积神经网络（convolutional neural network）与残差神经网络（residual network）的深度学习模型；进一步优选在建立深度学习模型的过程中采用迁移学习的方式，基于预训练模型进行建模，所述的预训练模型包括但不限于：googlenet、inceptionv3、densenet、xception、inceptionresnetv2或darknet等模型中的任意一种。8.权利要求2所述的方法，其特征在于：3）所述的深度学习模型库输出每张图像块分别
对应K种胶质瘤级别的概率之后，进一步对每一个深度学习模型，同一个患者的所有图像块胶质瘤级别的概率用统计学的方式进行整合，采用平均值或者中位数作为最终的概率。9.权利要求2所述的方法，其特征在于：4）所述的针对K种胶质瘤的分级分别进行机器学习建模具体包括：对一种胶质瘤级别，M个患者得到N
×
M的特征向量矩阵，对该矩阵建立基于朴素贝叶斯（na
ï
ve bayes，NB）、支持向量机（support vector machine，SVM）、决策树（decision tree，DT）、逻辑回归（logistic regression，LR）、k近邻聚类（k
‑
nearest neighbor，KNN）或线性辨别（linear discriminant, LD）等模型的机器学习模型；进一...

【专利技术属性】
技术研发人员：马永杰，苏峰，程也，王雷明，
申请(专利权)人：首都医科大学宣武医院，
类型：发明
国别省市：