一种肝细胞癌病理图像分割系统技术方案

本发明专利技术提供了一种肝细胞癌病理图像分割系统，属于医学图像处理领域。该细胞癌病理图像分割系统包括以下模块：(一)数据预处理模块，(二)分割模型训练模块，(三)病理图像分割模块。本发明专利技术肝细胞癌病理图像分割系统能够明显提高肝细胞癌病理图像分割的精度，能够同时精确分割整个肿瘤和存活肿瘤两类肿瘤组织，不仅在肝细胞癌病理辅助诊断中具有广阔的应用前景，还有助于在临床应用中针对性治疗存活肿瘤区域。在肝细胞癌病理图像分割系统的基础上，本发明专利技术进一步通过TensorRT推理加速引擎将肝细胞癌病理图像分割系统优化部署至NVIDIA Jetson TX2嵌入式设备，设计实现了肝细胞癌病理图像分割可视化交互界面及其功能，临床应用前景广阔。前景广阔。前景广阔。

【技术实现步骤摘要】
一种肝细胞癌病理图像分割系统


[0001]本专利技术属于医学图像处理领域，具体涉及一种肝细胞癌病理图像分割系统。

技术介绍

[0002]肝细胞癌是全球因癌症引发死亡的主要原因之一。肝细胞癌病理诊断对患者的治疗及预后提供重要参考价值，早发现、早诊断才能为肝细胞癌患者提供更好的预后。病理科医生通常使用苏木精
‑
伊红染色的肝细胞癌组织病理切片在显微镜下获取细胞级的信息用于病理诊断和科学研究中。数字病理图像是利用可视化技术对染色组织切片进行数字化得到的高清图像，数字化后的病理切片使肝细胞癌组织更易存储和分析。
[0003]通常，肝细胞癌病理切片分析要求专业的病理科医生在显微镜等辅助仪器下用肉眼全方位观察组织切片，并结合自身的临床实践经验，对病理切片进行诊断分析。然而，由于病理科医生紧缺及工作量繁杂的原因，造成病理科医生疲劳阅片的现象不胜枚举。此外，病理诊断通常带有病理科医生很强的个人主观性，病理科医生的专业知识储备以及临床经验将直接影响病理诊断的结果，导致病理诊断存在误诊的风险。因此，病理科医生往往会进行重复的工作以避免误诊与漏诊的可能，这也造成了病理科医生消耗了大量的精力却工作效率低的问题。将深度学习图像处理算法应用到肝细胞癌病理辅助诊断中，并通过优化部署至合适的硬件平台以便提供病理图像自动分割任务的支持，这样不仅可以减轻病理科医生的工作量，缓解医疗资源不足的问题，而且可以降低病理诊断的误诊率，给出具有参考意义的病理诊断结果，在临床与科研中均具有十分重要的意义。
[0004]申请号为CN202110731127.0的中国专利申请公开了一种基于人工智能对早期肝细胞癌术后复发预后的分析方法及系统，可以通过完整的数字化苏木精
‑
伊红染色(HE)染色组织病理切片来预测早期肝细胞癌术后复发风险及预后，具体步骤为：获取待分析标本的全视野数字切片(WSI)图像；对所述WSI图像进行提取前景感兴趣区域(ROI)；通过深度学习识别数字化病理图像不同区域。直接根据HE染色切片对早期肝细胞癌术后复发风险及预后进行有效分析，在识别出多种不同细胞区域的同时，其准确度也较高，对于患者复发具有极大的指导意义。但是，一方面，该预测系统主要是用于预测早期肝细胞癌术后复发风险及预后，虽然能够通过其深度学习分类模型对WSI图像中的肿瘤组织、正常肝组织、纤维化区域、汇管区、淋巴区域和坏死区域六大类组织细胞区域进行识别，但无法精确分割整个肿瘤(WholeTumor,WT)和存活肿瘤(ViableTumor,VT)，无法针对性治疗存活肿瘤区域。另一方面，该预测系统不具备可视化交互界面及功能，操作不够直观和方便。

技术实现思路

[0005]本专利技术的一个目的在于提供一种肝细胞癌病理图像分割系统，本专利技术的另一个目的在于提供一种肝细胞癌病理图像分割可视化交互系统。
[0006]本专利技术提供了一种肝细胞癌病理图像分割系统，所述系统包括以下模块：
[0007](一)数据预处理模块：对肝细胞癌病理图像进行预处理；
[0008](二)分割模型训练模块：以UNet网络结构为基础，融合残差模块和注意力机制模块，构建得到ResAtt
‑
UNet网络模型；利用训练集预处理后的肝细胞癌病理图像训练ResAtt
‑
UNet网络模型，得到分割模型；
[0009](三)病理图像分割模块：利用分割模型分割测试集预处理后的肝细胞癌病理图像，输出分割结果。
[0010]进一步地，数据预处理模块中，预处理方式包括组织区域提取、切分图像块、数据扩增和颜色标准化。
[0011]进一步地，组织区域提取能够通过提前对肝细胞癌病理图像的空白背景区域进行识别区分，将肝细胞癌病理图像中的组织区域单独提取出来；
[0012]切分图像块能够将肝细胞癌病理图像的组织区域切分为256
×
256像素大小的图像块；
[0013]数据扩增的方式为数据翻转和旋转；
[0014]颜色标准化采用的算法为基于稀疏非负矩阵分解的染色分离颜色归一化算法。
[0015]进一步地，分割模型训练模块中，残差模块引入的位置是UNet网络结构的卷积层中，注意力机制模块引入的位置是UNet网络结构的跳跃连接部分。
[0016]进一步地，训练ResAtt
‑
UNet网络模型时，参数设置如下：采用Adam优化器，学习率为1e
‑
4，批量大小为32，共迭代100epochs。
[0017]本专利技术还提供了一种肝细胞癌病理图像分割可视化交互系统，它包括上述的肝细胞癌病理图像分割系统和嵌入式部署部分。
[0018]进一步地，所述嵌入式部署部分包括NVIDIA Jetson TX2嵌入式设备及其外围硬件。
[0019]进一步地，所述外围硬件包括复位电路、供电模块、电子目镜模组、存储器及输入输出交互设备。
[0020]进一步地，所述肝细胞癌病理图像分割系统是通过TensorRT推理加速引擎部署至NVIDIA Jetson TX2嵌入式设备的。
[0021]本专利技术还提供了上述肝细胞癌病理图像分割系统、上述肝细胞癌病理图像分割可视化交互系统在制备用于分割肝细胞癌病理图像的医疗设备中的用途。
[0022]存活肿瘤(ViableTumor,VT)仅指恶性肿瘤当中肿瘤细胞依然有活性，可以出现外周的浸润，远处的转移等情况的区域。整个肿瘤(WholeTumor,WT)指所有肿瘤区域，包括存活肿瘤部分和先前经过肝癌介入治疗(TACE)等治疗的区域。
[0023]实验结果表明，本专利技术肝细胞癌病理图像分割系统能够明显提高肝细胞癌病理图像分割的精度，能够同时精确分割整个肿瘤(WholeTumor,WT)和存活肿瘤(ViableTumor,VT)两类肿瘤组织，不仅在肝细胞癌病理辅助诊断中具有广阔的应用前景，还有助于在临床应用中针对性治疗存活肿瘤区域。
[0024]在肝细胞癌病理图像分割系统的基础上，本专利技术进一步通过TensorRT推理加速引擎将肝细胞癌病理图像分割系统优化部署至NVIDIA Jetson TX2嵌入式设备，并设计实现了肝细胞癌病理图像分割可视化交互界面及其功能，临床应用前景广阔。
[0025]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0026]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0027]图1为实施例1肝细胞癌病理图像分割系统的数据预处理流程示意图。
[0028]图2为实施例1中ResAtt
‑
UNet网络模型的示意图。
[0029]图3为网络loss收敛曲线图。
[0030]图4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝细胞癌病理图像分割系统，其特征在于：所述系统包括以下模块：(一)数据预处理模块：对肝细胞癌病理图像进行预处理；(二)分割模型训练模块：以UNet网络结构为基础，融合残差模块和注意力机制模块，构建得到ResAtt
‑
UNet网络模型；利用训练集预处理后的肝细胞癌病理图像训练ResAtt
‑
UNet网络模型，得到分割模型；(三)病理图像分割模块：利用分割模型分割测试集预处理后的肝细胞癌病理图像，输出分割结果。2.根据权利要求1所述的肝细胞癌病理图像分割系统，其特征在于：数据预处理模块中，预处理方式包括组织区域提取、切分图像块、数据扩增和颜色标准化。3.根据权利要求2所述的肝细胞癌病理图像分割系统，其特征在于：组织区域提取能够通过提前对肝细胞癌病理图像的空白背景区域进行识别区分，将肝细胞癌病理图像中的组织区域单独提取出来；切分图像块能够将肝细胞癌病理图像的组织区域切分为256
×
256像素大小的图像块；数据扩增的方式为数据翻转和旋转；颜色标准化采用的算法为基于稀疏非负矩阵分解的染色分离颜色归一化算法。4.根据权利要求1所述的肝细胞癌病理图像分割系统，其特征在于：分割模型训练模块中，残差模块引入的位置是UNet网络结构的卷积层中，注意力机制模块引入的位置是UNe...

【专利技术属性】
技术研发人员：邵明洋，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：