一种基于MaskR-CNN的肺癌病理组织切片识别及分割方法技术

本发明专利技术属于医学影像处理技术领域，具体涉及一种肺癌病理组织切片病症识别及分割方法。一种基于Mask R

【技术实现步骤摘要】
一种基于Mask R
‑
CNN的肺癌病理组织切片识别及分割方法


[0001]本专利技术属于医学影像处理
，具体涉及一种肺癌病理组织切片病症识别及分割方法

技术介绍

[0002]肺癌是中国癌症死亡人数最多的一种病，严重威胁着中国居民的身体健康。组织病理学检查是准确性最可靠的诊断依据，医生通过H&E染色的病理组织切片进行活检，是诊断肺癌并辨别其类型及严重程度的“金标准”。随着计算机识别技术的发展，数字病理技术将现阶段数字成像系统与传统光学成像装置相互结合，为医生的诊断分析过程提供更高分辨率、更高清晰度、更稳定的成像条件。
[0003]医学图像处理是当今世界范围内的热门研究领域之一，计算机辅助诊断的出现，减轻了医生的工作负担，但传统的“专家”系统仍然需要对病变特征进行手工提取，其系统开发周期长，开发成本高。随着深度学习的发展，图像处理领域有了长足的进步。Kaggle2017年举办的肺肿瘤结节(CT图像数据集)识别比赛中，平均召回率(AR)达到了89.7％。何克磊设计了一种端到端的基于原型学习的多实例深度卷积网络，实现了对肺癌病理细胞图像的弱标记环境滤噪识别。现有研究工作集中于肿瘤分类与分割，可解释性差。然而医学以其特有的医学道德伦理，在现阶段令机器学习代替人工进行结论性诊断依然为时过早。因此，增加辅助诊断系统面向医生的多维度评价指标，设计贴合病理的解释性功能，有利于医生进行更精准便捷的诊断参考。
[0004]常规的组织切片病理变化评价，多采用4级法(即轻微、轻度、中度、重度)。这是一种经典的组织病变评价方法，也是当前的主流。但随着全切片扫描和量化分析观念的普及，定量分析组织病变逐渐流行。有时，定量分析后获取数据，能够较准确地反映病变的实际程度和病变范围。此外，获取的这些数据也更方便对组间差异进行统计学分析。面积测量是定量分析时的一个重要指标。目前已有的测量软件需要人工标识病变区域才能计算面积，本专利技术将定性分析与定量测量功能融合，打造智慧医疗辅助系统。
[0005]近年来，卷积神经网络是应用于图像处理领域最热门的方法之一，把卷积神经网络与病理图像深度融合，并结合病理特性设计特定功能与评价指标，是未来值得研究的方向。

技术实现思路

[0006]本专利技术的目的是针对上述现有方法的不足提供一种基于深度学习的肺癌病理组织切片识别、分割与定量计算于一体的方法，将图像识别中的Mask R
‑
CNN模型分阶段应用于图像中并结合定量计算的回归算法，实现对肺癌病理组织切片的病症分类及病变区域定位，并计算占全局病历组织切片的面积。本专利技术具有分类准确度高，区域分割平滑，定量计算准确，能够多指标分析图像，辅助医生更迅速、便捷、准确地进行病理研判的优点。
[0007]为了解决上述技术问题，本专利技术采用的技术方案是：一种基于Mask R
‑
CNN的肺癌
病理组织切片识别及分割方法，包括以下步骤：
[0008]S1，获取患者肺癌病理组织切片扫描图像，并进行预处理；
[0009]S2，将所述预处理后的扫描图像输入到预先训练好的病症分类及分割模型中，判断切片病症类别，并得到病变区域分割的可视化类激活图；所述的病症分类及分割模型为改进的Mask R
‑
CNN神经网络；
[0010]S3，根据获取的可视化类激活图，计算病变区域占全局病理组织切片的面积比例。
[0011]进一步地，所述S1中，所述预处理的具体方法为：
[0012]对患者肺癌病理组织切片扫描图像进行20
×
倍放大，并从TIFP格式转换为jpeg格式。
[0013]进一步地，所述改进的Mask R
‑
CNN神经网络，具体包括：
[0014]特征提取网络，所述特征提取网络包括改进后的残差网络ResNet；所述改进后的残差网络ResNet，在最后的分类层前增加全连接层及dropout层；
[0015]FPN网络，在所述特征提取网络中加入FPN网络，对提取特征进行多尺度融合；
[0016]RPN网络，用于对FPN融合后的特征进行目标区域生成，并将其分数值最高的设定数量个候选区域输入Mask R
‑
CNN网络；
[0017]Mask R
‑
CNN网络，对输入的候选区域进行病症的分类，及病变区域的分割，产生背景和病变区域的分割Mask。
[0018]进一步地，所述S3中，病变区域占全局病理组织切片的面积比例计算方法包括：
[0019](1)，对获取的可视化类激活图像进行高斯模糊处理，设置病变区域的灰度为0，背景区域的灰度为255；
[0020](2)，遍历图像像素，对病变区域像素进行计数后，计算病变区域面积及占比。
[0021]进一步地，所述高斯模糊处理利用正态分布计算图像中每个像素的变换，二维空间正态分布方程为：
[0022][0023]其中，(u,v)是图像像素点二维坐标，r是模糊半径，σ是正态分布的标准偏差。
[0024]进一步地，所述病变识别模型的训练数据采用以下方法获取：
[0025](1)对全扫描病理组织切片图像进行20
×
倍放大后进行切分，并从TIFP格式转换为jpeg格式。
[0026](2)把所有图像按照分类说明分为正常、肺腺癌、肺鳞癌和肺小细胞癌四类；
[0027](3)对病变区域，应用labelme软件进行手工分割；
[0028](4)将所有数据按比例8：1：1分割成训练集、验证集和测试集。
[0029]本专利技术提供的肺癌病理组织切片识别及分割方法，基于改进的Mask R
‑
CNN神经网络，对于提高肺癌的病症诊断准确率具有重要参考意义，其有益的效果体现在以下几个方面：
[0030]本专利技术从医学影像数据库中患者的肿瘤病理组织切片图像信息，通过改进后的Mask R
‑
CNN神经网络应用于肺癌病变分割及病症识别中，实现自动学习得到的分类、分割结果，并得到归一化后的病变区域图像及其对应的二值化掩码图。病变特征提取网络提取相关几何形态学特征参数，作为后续定量计算病变面积及比例的参考依据，辅助病理医生
提高肺癌病症识别的检出效率并提高肿瘤分化的评估准确率。另外本专利技术极大减少了临床医师的阅片时间，减缓人工资源紧张的压力。
附图说明
[0031]图1为本专利技术的系统结构示意图；
[0032]图2为改进泛化能力的ResNet结构示意图；
[0033]图3为用于病症识别与病变区域分割的神经网络结构示意图；
[0034]图4为计算二值化病变区域面积比例流程图。
具体实施方式
[0035]为了便于理解本专利技术，下面结合附图和具体实施例，对本专利技术进行更详细的说明。附图中给出了本专利技术的较佳的实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本说明书所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Mask R
‑
CNN的肺癌病理组织切片识别及分割方法，其特征在于：包括以下步骤：S1，获取患者肺癌病理组织切片扫描图像，并进行预处理；S2，将所述预处理后的扫描图像输入到预先训练好的病症分类及分割模型中，判断切片病症类别，并得到病变区域分割的可视化类激活图；所述的病症分类及分割模型为改进的Mask R
‑
CNN神经网络；S3，根据获取的可视化类激活图，计算病变区域占全局病理组织切片的面积比例。2.根据权利要求1所述的基于Mask R
‑
CNN的肺癌病理组织切片识别及分割方法，其特征在于：所述S1中，预处理的具体方法为：对患者肺癌病理组织切片扫描图像进行20
×
倍放大，并转换为jpeg格式。3.根据权利要求1所述的基于Mask R
‑
CNN的肺癌病理组织切片识别及分割方法，其特征在于：所述改进的Mask R
‑
CNN神经网络，具体包括：特征提取网络，所述特征提取网络包括改进后的残差网络ResNet；所述改进后的残差网络ResNet，在最后的分类层前增加全连接层及dropout层；FPN网络，在所述特征提取网络中加入FPN网络，对提取特征进行多尺度融合；RPN网络，用于对FPN融合后的特征进行目标区域生成，并将其分数值最高的设定数量个候选区域输入Mask R
‑
CNN网络；Mask R
‑
CNN网络，对输入的候选区域进行病症的分类，及病变区域的分割，产生背景和病变区域的分割Mask。...

【专利技术属性】
技术研发人员：张飒飒，王昭，甄军晖，田遴博，续玉新，杨易，王韬，迟庆金，赵峰榕，金桂蕾，
申请(专利权)人：山东大学，
类型：发明
国别省市：