一种病理图像分割的系统及方法技术方案

本发明专利技术提供了一种病理图像分割的系统及方法。包括：将训练集和测试集中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集；将训练数据集输入卷积神经网络训练，并对训练阶段的若干个补丁图像进行增强处理；通过交叉熵损失函数和增强处理后的训练数据集训练模型结构；模型结构对测试数据集预测，得到对应的预测类别，并根据补丁图像在病理图像中的坐标和预测类别拼成颜色类别图；将颜色类别图转换为二值分割图，根据二值分割图组合得到分割结果。该病理图像分割的系统改善了现有技术中从病理图像中分割肿瘤区域需要使用精确标注导致成本较高的问题。精确标注导致成本较高的问题。精确标注导致成本较高的问题。

【技术实现步骤摘要】
一种病理图像分割的系统及方法


[0001]本专利技术涉及计算机多媒体
，尤其是涉及一种病理图像分割的系统及方法。

技术介绍

[0002]组织病理学图像分析是癌症识别和诊断的金标准。数字组织病理学图像分析可以帮助病理学家诊断肿瘤和癌症类型，减轻病理学家的工作量。 数字组织病理学图像分析有两种基本类型的任务：图像分类和图像分割。 在分类任务中，该算法将整个WSI（Whole Slide Image）组织病理学图像作为输入，并输出输入图像的标签。可能的标签是预先定义的，它们可以是某些类型的癌症或正常癌症。在分割中，该算法将组织病理学图像的一部分作为输入，并对输入图像中具有特定特征的区域进行分割。在这两个任务中，都给出了一组带有真实标签和标注的训练数据。
[0003]自动分析数字组织病理学图像存在3个主要挑战：临床特征表示的复杂性，训练图像的数量不足以及单个组织病理学图像的尺寸极大。尽管如此，现有的分割方法主要是基于有监督学习，即先由人工收集大量的目标类别的有标注的训练数据，再用这些训练数据为目标类别构建分割模型，而收集大量目标类别的标签的是很困难的，而且人工标注成本昂贵，因此，使用有监督学习进行病理图像分割陷入了瓶颈。

技术实现思路

[0004]本专利技术的目的在于提供一种病理图像分割的系统及方法，该系统能够解决现有技术中从病理图像中分割肿瘤区域需要使用精确标注导致成本较高的问题。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种病理图像分割的方法，所述方法具体包括：S101，将训练集和测试集中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集；S102，将所述训练数据集输入卷积神经网络训练，并对训练阶段的若干个所述补丁图像进行增强处理；S103，通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构；S104，所述模型结构对测试数据集预测，得到对应的预测类别，并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图；S105，将所述颜色类别图转换为二值分割图，根据所述二值分割图组合得到分割结果。
[0006]在上述技术方案的基础上，本专利技术还可以做如下改进：进一步地，将病理图像切分成若干个补丁图像具体包括：通过滑窗的方式在所述病理图像左上角无重叠切分，保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像，并记录保留的所述补丁图像在0级病理图像上的坐标。
[0007]进一步地，所述增强处理具体包括：对训练阶段的若干个所述补丁图像通过随机
裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
[0008]进一步地，所述模型结构对所述补丁图像预测具体包括：将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像，通过所述模型结构对指定大小的补丁图像进行预测。
[0009]一种病理图像分割的系统，包括：TCGA，其包括病理图像，将病理图像切分成若干个补丁图像；卷积神经网络，其接收若干个所述补丁图像，并对训练阶段的若干个所述补丁图像进行增强处理；模型结构，通过交叉熵损失函数和增强处理后的若干个所述补丁图像训练模型结构；所述模型结构对所述补丁图像预测得到所述补丁图像对应的预测类别，并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图；将所述颜色类别图转换为二值图得到分割结果。
[0010]进一步地，所述卷积神经网络通过滑窗的方式在所述病理图像左上角无重叠切分，保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像，并记录保留的所述补丁图像在0级病理图像上的坐标。
[0011]进一步地，所述卷积神经网络对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
[0012]进一步地，所述卷积神经网络将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像，通过所述模型结构对指定大小的补丁图像进行预测。
[0013]进一步地，所述模型结构包括第一模型、第二模型和第三模型，所述第一模型结构、第二模型和所述第三模型分别对测试数据集预测得到对应的预测类别，并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图。
[0014]进一步地，所述二值分割图的数量为3张，根据所述二值分割图得到分割结果，所述分割结果的数量为3个。
[0015]本专利技术具有如下优点：本专利技术中的病理图像分割的系统及方法，提出一种基于无监督patch聚类的方式进行病理图像WSI分割，使得在病理图像分割模型的训练过程中大幅减少精确标注的使用。本专利技术提出一种多模型融合的方式，使得多模型生成的结果能够相互融合，起到提高分割准确性的作用；解决了现有技术中从病理图像中分割肿瘤区域需要使用精确标注导致成本较高的问题。
附图说明
[0016]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例中方法的流程示意图；图2为本专利技术实施例中系统的示意图。
[0018]附图标记说明：训练集10，测试集20，卷积神经网络30，模型结构40，颜色类别图50，二值分割图60，分割结果70。
具体实施方式
[0019]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]如图1所示，本专利技术提供了一种病理图像分割的系统，包括：一种病理图像分割的方法，所述方法具体包括：S101，病理图像切分；本步骤中，将训练集10和测试集20中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集；补丁图像为patch；病理图像是高宽达几万~十几万像素的WSI，以金字塔形式进行存储的，分成多个级别，不同的病理图像包含的级别可能有所不同，一般最多有9个级别，第0级是最高分辨率的图，级别增加1级病理图像缩小为原来的二分之一，由于病理图像非常大，在现有条件下无法直接送入卷积神经网络30进行训练，所以需要将病理图像WSI切分成patch进行训练及预测。具体切分方法如下，首先，确定需要切分的patch大小，本研究取256*256，然后是级别，本研究取级别2，实验表明级别2效果最优，最后，在WSI左上角以滑窗的方式无重叠的切分，保留组织部分占整个patch面积的比例超过二分之一的patch，并记录patch的在级别0上坐标，为后续拼成颜色类别图50做准备。每张WSI被切分成几千到上万个patch。
[0021]S102，病理图像增强；本步骤中，将所述训练数据集输入卷积神经网络30训练，并对训练阶段的若干个所述补本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理图像分割的方法，其特征在于，所述方法具体包括：S101，将训练集和测试集中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集；S102，将所述训练数据集输入卷积神经网络训练，并对训练阶段的若干个所述补丁图像进行增强处理；S103，通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构；S104，所述模型结构对测试数据集预测，得到对应的预测类别，并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图；S105，将所述颜色类别图转换为二值分割图，根据所述二值分割图组合得到分割结果。2.根据权利要求1所述病理图像分割的方法，其特征在于，将病理图像切分成若干个补丁图像具体包括：通过滑窗的方式在所述病理图像左上角无重叠切分，保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像，并记录保留的所述补丁图像在0级病理图像上的坐标。3.根据权利要求1所述病理图像分割的方法，其特征在于，所述增强处理具体包括：对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。4.根据权利要求1所述病理图像分割的方法，其特征在于，所述模型结构对所述补丁图像预测具体包括：将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像，通过所述模型结构对指定大小的补丁图像进行预测。5.一种病理图像分割的系统，其特征在于，包括：训练集，将训练集中的病理图像均切分成若干个补丁图像形成训练数据集；测试集，将测试集中的病理图像均切分成若干个补丁图像形成测试数据集；卷积神经网络，其接收所...

【专利技术属性】
技术研发人员：杜强，赵卫双，陈淑玲，郭雨晨，聂方兴，唐超，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：