一种自动分割胰腺癌病理切片中多类组织的方法及装置制造方法及图纸

本发明专利技术公开了一种自动分割胰腺癌病理切片中多类组织的方法及装置，其中，方法包括步骤：对获取的胰腺癌病理图像进行组织标注，得到数字病理标注图像，所述组织标注类型包括脂肪、背景、小肠、淋巴、肌肉、正常、间质、肿瘤；将所述数字病理标注图像中标注的组织以图像块的形式提取出来，得到分类数据集；采用所述分类数据集对初始VGG19模型进行训练和测试，得到训练后VGG19模型；将待分割胰腺癌病理图像输入到训练后VGG19模型中，输出组织分割结果。本发明专利技术实现了胰腺癌病理图像多类组织的自动分割。分割。分割。

【技术实现步骤摘要】
一种自动分割胰腺癌病理切片中多类组织的方法及装置


[0001]本专利技术涉及图像分割
，尤其涉及一种自动分割胰腺癌病理切片中多类组织的方法及装置。

技术介绍

[0002]病理诊断是肿瘤诊断的“金标准”，然而,专业的病理科医师需要花费大量的时间在观察尺寸巨大的病理切片上，依据专业知识人为诊断肿瘤的类型和分级。现今，病理切片的制作在逐渐实现自动化，大量的病理切片被保存成为数字图像，这为计算机辅助诊断技术的发展奠定了数据基础。病理图像组织分割是识别判断、定量分析等后续操作的基础，这是关键的第一步，其分割效果直接影响着病理图像识别的质量，所以精准的组织自动分割技术，是后续计算机辅助诊断准确性的关键性前提。
[0003]病理切片的多类组织自动分割算法难点在于，全扫描的病理图像尺寸过大，图像中包含多种不同类型的组织，所以对胰腺癌全扫描病理图像中的多种类型组织进行自动分类再将其分割出来是一项具有挑战性的工作。
[0004]已有的与本专利技术相关的现有技术及其缺点：
[0005]《基于深度卷积网络的结直肠全扫描病理图像的多种组织分割》，这篇论文提出一种基于深度卷积网络的结直肠全扫描病理图像进行多种类型组织分割的模型。该模型使用的网络层数有8层，利用深度卷积网络学习结直肠全扫描图像中典型的8种类型的组织，利用训练好的模型对这8种类型的结直肠组织进行分类测试，其测试集分类准确率达92.48％。利用该模型对结直肠全扫描病理图像中的8种类型组织进行分割，首先对全扫描图像进行预处理，分成5000像素
×<br/>5000像素大小的图像块，然后标记出每一张中的8种类型的组织，最后将所得到的标记结果进行拼接，从而获得整张结直肠全扫描病理图像的8种类型组织的标记结果。该方法对8种类型的组织分割的准确率比较高，有一定辅助诊断的帮助。该方法的缺点在于不能直接对全玻片图像进行组织自动分割。
[0006]《改进型K
‑
Means算法在肠癌病理图像分割中的应用》，这篇论文针对正常与癌变大肠病理切片图像的特征，结合主成分分析(PCA)和K
‑
Means算法提出了一种分割大肠病理切片图像中腺腔和上皮细胞、细胞核、间质的算法，解决了传统K
‑
Means算法确定初始中心的难点，提高了识别分类时的收敛速度。使用基于相关系数矩阵的主成分分析方法确定具有代表性的聚类初始中心，结合K
‑
Means算法将大肠病理切片图像数据分成三类。相关实验证明：提出的改进型K
‑
Means大肠病理切片图像分割算法能够准确地将大肠病理切片图像中的腺腔和上皮细胞、细胞核、间质分类，且使用PCA方法的算法收敛速度比传统使用RANDOM方法的算法更快，取得了良好效果。该研究也存在一定的局限性，主要不足在于其将病理切片图像数据分成三类，而实际图像中包含多种不同类型的组织；且该方法是对315
×
315像素大小的病理图像进行分割，不能直接对全玻片图像进行组织自动分割。
[0007]《一种淋巴组织结构彩色病理图像自动分割算法》，这篇论文提出了基于约简纹理谱特征值的分割方法.首先，对淋巴组织结构病理图像进行特征分析，利用约简纹理谱特征
及形状特征，分离出各组织结构，同时进一步提高滑动窗口的纹理谱计算方法；然后对淋巴小结采用灰度分割算法，分离出细胞核、胞浆等.实验证明，该方法简单快速，能对彩色淋巴组织结构病理图像进行有效的分割。该方法的局限性在于需要手动提取特征。
[0008]《A Deep Convolutional Neural Network for segmenting and classifying epithelial and stromal regions in histopathological images》，这篇文提出了一种基于深度卷积神经网络(DCNN)的特征学习方法，从数字化肿瘤组织微阵列中对上皮细胞和间质细胞区域进行自动分割或分类。该研究将基于DCNN的模型与三种基于手工特征提取的方法进行了比较，这些数据集分别包括157张乳腺癌苏木精和伊红(H&amp;E)染色图像和1376张结直肠癌免疫组学染色图像。实验表明他们的基于DCNN的方法在上皮细胞和间质细胞区域的分类方面优于三种基于手工特征提取的方法。该方法主要是针对数字化肿瘤组织微阵列和比较小的病理图像块1128像素
×
720像素)，不能直接对全玻片图像进行自动分割。
[0009]《Fast and accurate tumor segmentation of histology images using ersistent homology and deep convolutional features》，这篇文章提出了一个基于持续性同源谱(PHPs)的新概念的肿瘤分割框架。对于一个给定的图像块，同源性轮廓是通过持久同源性的有效计算导出的，这是同源性理论的代数工具。通过模拟肿瘤核的非典型特征，设计了持续性同源谱来区分肿瘤区域和正常区域。这项研究是在两个独立收集的大肠数据集上进行的，包括腺瘤、腺癌、印戒癌和健康病例。总的来说，提出的框架强调了持久同源性在组织病理学图像分析中的作用。该方法的局限在于其只是将肿瘤分割出来，并未分割图像中的其他组织。
[0010]《Psoriasis skin biopsy image segmentation using Deep Convolutional Neural Network》，这篇论文提出了一种对银屑病皮肤活检图像进行自动分割的开创性尝试。利用U形全卷积神经网络对简单线性迭代聚类生成的超像素进行分类，全卷积神经网络也用于端到端的学习方式，其中输入是原始的彩色图像，输出是皮肤层的分割类映射。实验结果表明，基于CNN的方法优于传统手工基于特征的分类方法。该方法的不足之处在于需要先对图像生成超像素才能进行分割。
[0011]《Large scale tissue histopathology image classification,segmentation,and visualization via deep convolutional activation features》，这篇论文提出利用深度卷积神经网络(CNN)激活特征，在大规模组织的组织病理学图像中进行分类、分割和可视化。他们的框架将从大型自然图像数据库ImageNet训练的CNN中提取的特征转移到组织病理学图像中。根据实验，他们提出的框架在MICCAI 2014脑肿瘤数字病理挑战的脑肿瘤数据集和结肠癌组织病理图像数据集上显示了最先进的性能。该方法的局限在于其只是分割坏死和非坏死区域，并未分割图像中的其他组织。
[0012]因此，现有技术还有待于改进和发展。

技术实现思路

[0013]鉴于上述现有技术的不足，本专利技术的目的在于提供一种自动分割胰腺癌病理切片中多类组织的方法及装置，旨在解决现有技术无法直接对全扫描的胰腺癌病理图像进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动分割胰腺癌病理图像中多类组织的方法，其特征在于，包括步骤：对获取的胰腺癌病理图像进行组织标注，得到数字病理标注图像，所述组织标注类型包括脂肪、背景、小肠、淋巴、肌肉、正常、间质、肿瘤；将所述数字病理标注图像中标注的组织以图像块的形式提取出来，得到分类数据集；采用所述分类数据集对初始VGG19模型进行训练和测试，得到训练后VGG19模型；将待分割胰腺癌病理图像输入到训练后VGG19模型中，输出组织分割结果。2.根据权利要求1所述自动分割胰腺病理图像中多类组织的方法，其特征在于，所述图像块的大小为224
×
224像素。3.根据权利要求1所述自动分割胰腺病理图像中多类组织的方法，其特征在于，采用所述分类数据集对初始VGG19模型进行训练和测试，得到训练后VGG19模型的步骤包括：将所述分类数据集划分为训练数据集和测试数据集，其中，所述训练数据集中包括8种组织标注类型的图像块；采用所述训练数据集和所述测试数据集对初始VGG19模型分别进行训练和测试，得到训练后VGG19模型。4.根据权利要求1所述自动分割胰腺病理图像中多类组织的方法，其特征在于，将待分割胰腺癌病理图像输入到训练后VGG19模型中，输出组织分割结果的步骤包括：采用滑动窗口提取待分割胰腺病理图像中的图像块；将提取到的图像块输入到训练后VGG19模型中进行分类，得到一个softmax输出，即一个8维的向量，分别对应图像块属于每个类别的概率；将图像块划分到最大概率所对应的的组织类别，对待分割胰腺病理图像中所有的图像块进行分类后，则得到多类组织分割结果。5.一种自动分割胰腺病理图像中多类组织的装置，...

【专利技术属性】
技术研发人员：程君，洪雯慧，毛苡泽，胡婉明，李升平，
申请(专利权)人：深圳大学，
类型：发明
国别省市：