一种基于分片处理的乳腺病理图像识别检测方法与系统技术方案

本发明专利技术给出了一种基于分片处理的乳腺病理图像识别检测方法与系统，包括使用图像掩码的方法将病理图像分割为多个组织区域；使用滑动窗口的方式生成一定数量的坐标点，并将每个组织区域切割成一定数量的小幅图像；利用卷积神经网络识别模型对这些小幅图像进行识别判断是否癌变并输出识别结果；基于聚类算法进行聚类，综合每个组织区域的聚类结果在病理图像上绘制多边形检测框，从而标注出病理图像上的癌变区域。本发明专利技术训练得到的识别模型具有较高的准确性，能够训练卷积神经网络对数字病理图片进行识别，检测出病理片上的癌症区域，解决了现有技术中需要人工对数字病理进行识别检测的问题，有效减少医生的工作量并避免误诊、漏诊。漏诊。漏诊。

【技术实现步骤摘要】
一种基于分片处理的乳腺病理图像识别检测方法与系统


[0001]本专利技术涉及医疗图像处理
，尤其是一种基于分片处理的乳腺病理图像识别检测方法与系统。

技术介绍

[0002]乳腺癌是危害女性身心健康的恶性肿瘤之一，近年来其发病率呈现出不断上升的趋势。目前我国乳腺癌的发病率位居女性恶性肿瘤的第1位，但相比于肺癌、胃癌和肝癌，乳腺癌具有预后良好的特点，如果能够及早发现加上恰当的治疗方案，患者的5年存活率可以达到90％以上。
[0003]早期体检筛查是最常见的发现恶性肿瘤的方法也是最有效预防恶性肿瘤的方法，目前诊断识别一个肿瘤是良性肿瘤还是恶性肿瘤的主要方法有如下两种：主要为基于人工提取特征的传统图像处理和基于深度学习的图像处理两种方法。传统图像处理方法需要人工提取图像特征，存在人工提取特征的过程复杂度高、识别准确度低和泛化能力差等问题。深度学习有着极强的学习能力和特征提取能力，可以解决传统机器学习对手工提取特性的依赖，提高癌症分析的效率和准确率。因此使用深度卷积神经网络区分和诊断良性肿瘤与恶性肿瘤可以节省患者和医生的时间，提高医疗资源的效率。随着识别准确度的提高，深度卷积网络对临床的意义越来越重大，在医学上的应用具有很大潜力。
[0004]近年来,针对深度学习的乳腺癌病理图像诊断的研究陆续开展。目前现有的深度学习研究乳腺图像识别的技术有：
[0005]李广丽公开了一种基于多阶段多特征深度融合的乳腺癌图像识别方法，该方法通过提取乳腺造影图像的传统特征以及深度学习特征，深入挖掘不同特征间的跨模态病理语义网络，提出一种基于图像块的提取方法训练CNN，并使用不同的融合策略分类，其识别率比传统算法高6％，但是识别率仍然较低，不能满足临床需要。Cruz
‑
Roa等人提出了一种基于卷积神经网络的乳腺癌组织分类方法。该方法的关键是使用一个包含了两层卷积的神经网络对全切片图像中裁剪出的100
×
100像素大小的分块进行分类。如果一个分块的80％面积属于恶性区域，则把这个分块视为恶性，否则视为良性。该方法相比基于手工特征的方法有着明显的优势，但是在深度学习中该方法准确率还有待进一步提升。Xu等人在脑肿瘤组织病理分类研究中，将全切片裁剪为151 872nm
×
151 872nm大小的有相互重叠的正方形分块。这些分块被采样为224
×
224像素，送入预训练的AlexNet进行分类的微调。在预测时，网络的第2个全连接(Fc2)层输出的4 096维向量被当做分块的特征。全切片图像的特征由所有分块的特征经过p
‑
norm池化和基于类间距离的特征筛选得到，并送入SVM进行多形性胶质母细胞瘤(glioblastoma multifornle，GBM)和低级别胶质瘤(low grade glioma，LGG)的判别。该方法使用的卷积神经网络结构简单，过于原始，准确率有待提升。Bayramoglu等首次提出独立于放大倍数的分类算法,采用单任务卷积神经网络预测恶性肿瘤,并采用多任务卷积神经网络同时预测恶性肿瘤和图像的放大倍数,使用深度学习方法对不同放大倍数的乳腺癌组织病理学图像进行分类,其准确率约为83％,还有待进一步提升。Song等提出
了一种将卷积神经网络与Fisher vectors相结合的分类模型,并将其应用于BreaKHis数据集上进行乳腺癌组织病理学图像的分类,使得准确率得到了一定的提高。但是Fisher vectors存在着两个可能会限制其性能的问题:高维数和突发性视觉元素。2017年，Wei等提出一种BICNN的深度卷积神经网络模型，增加了网络深度和宽度，提出完全保留癌变区域的图像边缘特征的数据增强方法，使得准确率达到97％。但是该方法存在模型复杂、计算量大、训练时间消耗过长等问题。2019年，王恒等以ResNet50为基础框架，利用迁移学习设计了一个乳腺癌图像二分类模型，正确率可达97.4％，但是无法很好的满足临床应用。
[0006]由上述可知，乳腺癌组织病理学图像的分类需要调整原始数字病理图像的大小使其适合卷积神经网络的输入层。然而一些研究人员更喜欢从原始数字病理图像中提取小尺寸图像块,以避免丢失任何包含关键特征的信息。由于恶性乳腺癌组织病理学图像中也存在良性区域,因此只有少量的提取图像块被正确标记。目前基于深度学习的乳腺癌图像识别方法及系统，虽然在识别率方面有较大的提升，但是还存在着样本稀缺、计算量大、模型调制难度大、识别耗费时间长等问题，且通过文献搜索，了解到目前乳腺癌图像识别方法及系统研究中，没有通过处理图像组织区域以提升识别速度和系统效率的相关研究。
[0007]病理组织图像分类与传统的图像分类有所不同，组织病理学图像的自动诊断分析面临三个主要挑战:临床特征表征的复杂性、训练图像数量不足以及组织病理学图像的超大尺寸。不同类型癌症的组织病理学可以表现出明显不同的形态、规模、纹理和颜色分布；医学图像数据集中图像数量少；组织病理学图像规模大且图像上存在多处组织区域，导致传输耗时且难以直接使用网络模型处理。因此本专利技术提出了一种基于分片处理的乳腺病理图像识别检测方法，通过对分片图像的识别分类，判别出是否有癌并精准的检测出病理片上的有癌区域，给医生提供精准的判断建议，并且能有效减少医生的工作量，避免出现误诊、漏诊等情况。

技术实现思路

[0008]本专利技术提出了一种基于分片处理的乳腺病理图像识别检测方法与系统，以解决上文提到的现有技术的缺陷。
[0009]在一个方面，本专利技术提出了一种基于分片处理的乳腺病理图像识别检测方法，该方法包括以下步骤：
[0010]S1：使用图像掩码的方法将病理图像分割为多个组织区域，并对所述多个组织区域分别命名；
[0011]S2：使用滑动窗口的方式在多个组织区域生成一定数量的坐标点，并以每个所述坐标点为中心将所述多个组织区域中的每个组织区域切割成所述一定数量的小幅图像；
[0012]S3：遍历所述多个组织区域中的每个组织区域切割成的小幅图像，利用卷积神经网络识别模型对这些小幅图像进行识别判断是否癌变并输出识别结果；
[0013]S4：遍历每个组织区域，基于聚类算法并参考所述识别结果对被识别为癌变的小幅图像对应的所述坐标点进行聚类，获得每个组织区域的聚类结果；
[0014]S5：综合所述每个组织区域的聚类结果在所述病理图像上绘制多边形检测框，从而标注出所述病理图像上的癌变区域。
[0015]以上方法根据本专利技术提出的方法及系统进行训练得到的识别模型具有较高的准
确性，能够训练卷积神经网络对数字病理图片进行识别，检测出病理片上的癌症区域，解决了现有技术中需要人工对数字病理进行识别检测的问题。通过对分片图像的识别分类，判别出是否有癌并精准的检测出病理片上的有癌区域，给医生提供精准的判断和建议，能有效减少医生的工作量并避免出现误诊、漏诊等情况。
[0016]在具体的实施例中，所述S1具体包括：
[0017]分割所述病理图像的组织区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分片处理的乳腺病理图像识别检测方法，其特征在于，包括以下步骤：S1：使用图像掩码的方法将病理图像分割为多个组织区域，并对所述多个组织区域分别命名；S2：使用滑动窗口的方式在多个组织区域生成一定数量的坐标点，并以每个所述坐标点为中心将所述多个组织区域中的每个组织区域切割成所述一定数量的小幅图像；S3：遍历所述多个组织区域中的每个组织区域切割成的小幅图像，利用卷积神经网络识别模型对这些小幅图像进行识别判断是否癌变并输出识别结果；S4：遍历每个组织区域，基于聚类算法并参考所述识别结果对被识别为癌变的小幅图像对应的所述坐标点进行聚类，获得每个组织区域的聚类结果；S5：综合所述每个组织区域的聚类结果在所述病理图像上绘制多边形检测框，从而标注出所述病理图像上的癌变区域。2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：分割所述病理图像的组织区域，使用图像掩码的方法将病理图像中的N个组织区域分割出来(其中N≥3)，并分别命名为A
i
，其中i∈[1，N]，所述病理图像包括乳腺病理图像。3.根据权利要求2所述的方法，其特征在于，S2具体包括：若i≤N
‑
2，则在乳腺病理图像分割出的组织区域A
i
中，使用滑动窗口的方式生成n
i
个坐标点，并以这n
i
个坐标点为中心，切割出n
i
张尺寸一致的小幅图片，所述小幅图像的尺寸为256*256像素大小。4.根据权利要求3所述的方法，其特征在于，S3具体包括：将所述组织区域A
i
切割出的小幅图像输入到卷积神经网络识别模型中进行识别，识别出小幅图像是否癌变，输出识别为癌变的小幅图像的图像编号；与此同时在乳腺病理图像分割出的组织区域A
i+1
中，使用滑动窗口的方式生成n
i+1
个坐标点，并以这n
i+1
个坐标点为中心，切割出n
i+1
张尺寸一致的小幅图片。5.根据权利要求4所述的方法，其特征在于，S4具体包括：先根据所述组织区域A
i
切割后且识别为癌变的小幅图像查找其所对应的坐标点，再使用聚类算法对所述其所对应的坐标点进行聚类，输出聚类结果；与此同时将组织区域A
i+1
切割出的小幅图像输入到设计的卷积神经网络识别模型中进行识别，识别出小幅图像是否癌变，输出识别为癌变的小幅图像；同时在所述病理图像分割出的组织区域A
i+2
中，使用滑动窗口的方式生成n

【专利技术属性】
技术研发人员：郑魁，丁维龙，朱筱婕，赵樱莉，李涛，余鋆，
申请(专利权)人：上海派影医疗科技有限公司，
类型：发明
国别省市：