基于TNM多层次快速病理肿瘤图像的检测方法技术

本发明专利技术公开了基于TNM多层次快速病理肿瘤图像的检测方法，包括以下步骤：获取WSI图像，对WSI图像进行预处理；将预处理后的图像转换为多层次概率地图PMAP；使用肿瘤阈值对目标肿瘤区域进行划分；根据PMAP地图获取多层图像；采用TNM

【技术实现步骤摘要】
基于TNM多层次快速病理肿瘤图像的检测方法


[0001]本专利技术涉及深度学习
，尤其涉及一种基于TNM多层次快速病理肿瘤图像的检测方法。

技术介绍

[0002]病理检测是临床诊断中重要的环节之一。通常病理检测基本医学任务是通过检测病理图像得到疾病诊断结果，用以指导患者治疗。由于病理检测环境众多技术复杂，病理检测结果通常以WSI数字整体幻灯片图像来保存。对于病理检测的分析工作，需要病理医生对病理图像的进行分析。在高分辨率的病理图像下，病理医生的工作需要在十亿级像素图像中寻找病灶，其耗时耗力且准确率低，容易造成误识别。这样量级的图像处理工作，即使在现有计算机技术辅助病理图像技术帮助下，要么在低分辨率层次上错过某些病理信息，要么在高分辨率层次上耗费大量的算力，并且结果的精确度没有保障。
[0003]每一种肿瘤的TNM分期系统各不相同，因此TNM分期中字母和数字的含义在不同肿瘤所代表的意思不同。TNM分期中T，N，M确定后就可以得出相应的总的分期，即I期，II期，III期，IV期等。有时候也会与字母组合细分为IIa或IIIb等等。I期的肿瘤通常是相对早期的肿瘤有着相对较好的预后。分期越高意味着肿瘤进展程度越高。
[0004]TNM分期系统中：T(“T”是肿瘤一词英文“Tumor”的首字母)指肿瘤原发灶的情况，随着肿瘤体积的增加和邻近组织受累范围的增加，依次用T1～T4来表示。N(“N”是淋巴结一词英文“Node”的首字母)指区域淋巴结(regional lymph node)受累情况。淋巴结未受累时，用N0表示。随着淋巴结受累程度和范围的增加，依次用N1～N3表示。M(“M”是转移一词英文“metastasis”的首字母)指远处转移(通常是血道转移)，没有远处转移者用M0表示，有远处转移者用M1表示。在此基础上，用TNM三个指标的组合(grouping)划出特定的分期(stage)。其中包括Ia,Ib,IIa,IIb,IIIa,IIIb,IV 7个分期。
[0005]现有病理检测方案，没有很好的发挥深度模型对于疑似肿瘤区的信息提取能力。更多的解决方案只是到病理区域提取出来为止，其他后期的判别分级大量工作要交给医生主观评价完成。并且大多采用，某一分辨率下的全图扫描，很难做到兼顾效率和精确度，比如在低分辨率情况下，检测速度是很快，但是检测的精确度却很差；或者在高分辨率情况下，检测精度有所提高，但是检测速度却极其的慢。并且也没有哪个专利技术直接结合TNM表对肿瘤区域进行分期评定。
[0006]例如，中国专利CN201810495014.3公开了一种甲状腺肿瘤病理组织切片图像分类方法及其装置。获取已分类的甲状腺肿瘤病理组织切片原始图像集；在每张原始图像中自动截取若干张含有细胞的区域图像作为子图像集；将子图像集全部或部分作为训练集；构建初步卷积神经网络模型；用训练集训练初步卷积神经网络模型，获得成熟卷积神经网络模型；用成熟卷积神经网络模型对待分类的甲状腺肿瘤病理组织切片图像进行分类。该方案仅考虑某一分辨率下的全图扫描，检测的精确度低。

技术实现思路

[0007]本专利技术主要解决现有的技术中病理图像的检测无法兼顾效率和精确度的问题；提供一种基于TNM多层次快速病理肿瘤图像的检测方法，进行肿瘤区域检测，充分结合WSI多层级和TNM分期评定的思想，构建TNM
‑
NET深度网络，在兼顾效率和精度的同时，结合多层级对于结果提升，最后给出TNM的辅助评价信息，极大的提升了病理检测系统的辅助智能性，极大的方便医生。
[0008]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于TNM多层次快速病理肿瘤图像的检测方法，包括以下步骤：获取WSI图像，对WSI图像进行预处理；将预处理后的图像转换为多层次概率地图PMAP；使用肿瘤阈值对目标肿瘤区域进行划分；根据PMAP地图获取多层图像；采用TNM
‑
NET模型进行图像检测，得到TNM分级结果和肿瘤区域检测结果。全幻灯片癌症病理图像(Whole slide images,WSI)作为输入数据图像数据的示意图，具有Level(0
‑
5)六个等级的分辨率层级，使用PMAP的方式去概率地图导航，指导系统快速定位到疑似的病理区域，使用TNM
‑
Net结合WSI病理数据的特点和TNM的对于不同TNM肿瘤分期特点设计深度网络结果，不仅利用的多层级分辨率下图像的特征，也极大的发挥了模型提取分割的能力，提出了TNM
‑
NET深度网络，用于TNM肿瘤分期和肿瘤疑似区域的提取模型，通过PMAP对病理区域的导航定位以及TNM
‑
NET深度网络对病理的分期检测，实现了病理区域的快速检测，且可以进行不同分辨率下的图像检测，准确率更高。
[0009]作为优选，所述的预处理包括图像截取和图像增强。将一些明显的玻片噪声给去剔除。
[0010]作为优选，所述的多层次概率地图PMAP的转换方法包括以下步骤：输入图片；通过图像特征编码部分的编码变成图像特征；根据图像特征转换为目标区域概率图像值；通过概率译码部分进行解码；输出多层次概率地图PMAP。通过PMAP转换，计算量大幅减少，即使是在最高分辨率Level
‑
5的情况下，整体的计算时间也不超过1s，提高计算效率。
[0011]作为优选，对目标肿瘤区域进行划分的方法为：设置阈值将PMAP处理成图像蒙板；使用膨胀的方式处理图像边界；采用连通域检测的方式划分肿瘤区域。
[0012]作为优选，所述的TNM
‑
NET模型设计有六成结构，每层结构对应WSI一层的图像数据。不同分辨率层级的图像保留了层级中相关的图像细节，与下采样过程中的特征进行融合，能够提取更多的病理图像的细节，提高精确度。
[0013]作为优选，所述的TNM
‑
NET模型进行图像检测包括卷积操作、转置卷积操作、数据拼接和图像缩放。
[0014]作为优选，使用膨胀的方式处理图像边界的计算式为：
[0015][0016]其中，A为图像数据，B为卷积模板或卷积核，x表示图像坐标。
[0017]本专利技术的有益效果是：使用PMAP的方式去概率地图导航，指导系统快速定位到疑似的病理区域，使用病理坐标，层级和位置的对应关系进行结果映射，极大的节省了计算资源，不用大规模的扫描全图继续检测；并且使用TNM
‑
Net结合WSI病理数据的特点和TNM的对于不同TNM肿瘤分期特点设计深度网络结果，不仅利用的多层级分辨率下图像的特征，也极大的发挥了模型提取分割的能力；在不同的分辨率，针对性的给出不同特征检测，给出的准确的病理肿瘤区域的划分的同时，基于TNM对该病理进行分期划分，给医生提供参考，病理
检测具有更高的效率和更高的准确率。
附图说明
[0018]图1是本专利技术实施例的检测方法的流程示意图。
[0019]图2是本专利技术实施例的WSI图像的示意图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于TNM多层次快速病理肿瘤图像的检测方法，其特征在于，包括以下步骤：获取WSI图像，对WSI图像进行预处理；将预处理后的图像转换为多层次概率地图PMAP；使用肿瘤阈值对目标肿瘤区域进行划分；根据PMAP地图获取多层图像；采用TNM
‑
NET模型进行图像检测，得到TNM分级结果和肿瘤区域检测结果。2.根据权利要求1所述的基于TNM多层次快速病理肿瘤图像的检测方法，其特征在于，所述预处理包括图像截取和图像增强。3.根据权利要求1或2所述的基于TNM多层次快速病理肿瘤图像的检测方法，其特征在于，所述多层次概率地图PMAP的转换方法包括以下步骤：输入图片；通过图像特征编码部分的编码变成图像特征；根据图像特征转换为目标区域概率图像值；通过概率译码部分进行解码；输出多层次概率地图PMAP。4.根据权利要求3所述的...

【专利技术属性】
技术研发人员：林坚，叶金德，金倍建，林铭强，陈集房，麻元兴，
申请(专利权)人：浙江卡易智慧医疗科技有限公司，
类型：发明
国别省市：