新辅助化疗后乳腺癌残余癌分割方法、系统和存储介质技术方案

本发明专利技术属于医学图像分割技术领域，具体涉及一种新辅助化疗后乳腺癌残余癌分割方法、系统和存储介质。本发明专利技术方法的步骤是通过预测模型对新辅助化疗后的乳腺癌组织图像进行分割，得到残余癌分割结果；预测模型通过如下方法进行训练：利用不准确的残余癌标注数据训练机器学习模型，得到预训练模型；利用准确的残余癌标注数据训练所述预训练模型，得到所述预测模型。本发明专利技术还进一步提供了利用上述方法进行乳腺癌残余癌分割的系统。本发明专利技术能有效利用大量的不准确的残余癌标注数据和小量精准的残余癌标注数据各自的优势，更好的平衡最终得到的预测模型在残余癌分割测试时的召回率和准确率，从而提高其泛化能力，具有很好的应用前景。具有很好的应用前景。具有很好的应用前景。

【技术实现步骤摘要】
新辅助化疗后乳腺癌残余癌分割方法、系统和存储介质


[0001]本专利技术属于医学图像分割
，具体涉及一种新辅助化疗后乳腺癌残余癌分割方法、系统和存储介质。

技术介绍

[0002]新辅助化疗是乳腺癌诊疗过程中一种非常重要的手段，新辅助化疗后的残余癌的定量评估能够为乳腺癌预后及后续治疗提供非常重要的线索。新辅助化疗后的残余癌是指，经过新辅助化疗治疗后，癌组织中没有被消灭还仍然存在的肿瘤。残余癌的定量评估的关键基础是对其在组织中进行精准分割，因此对新辅助化疗后的残余癌精准分割是乳腺癌诊疗过程中的一种关键技术。
[0003]随着数字病理的发展，数字化的新辅助化疗后乳腺癌组织图像为实现残余癌的精准分割提供了基础。然而由于经过新辅助化疗后的乳腺癌的组织和细胞与治疗前相比会呈现出复杂多样的形态变化，目前基于新辅助化疗后乳腺癌组织图像的残余癌精准分割是一个亟待解决的问题。
[0004]目前，机器学习技术被广泛地应用于各种医学图像的处理中。然而，对于新辅助化疗后乳腺癌图像中的残余癌分割，暂时还没有合适的方法。基于现有技术，对于利用机器学习模型分割残余癌，存在可能可行两类方案：1)基于精准的残余癌标注数据，通过全监督学习方式训练深度神经网络构建的图像语义分割模型；2)基于不准确的残余癌标注数据，通过若监督学习方式(带噪声样本的学习方式)训练深度神经网络构建的图像语义分割模型。第1)类方案通过采用全监督学习方式，方案设计简单明确，但由于新辅助化疗后的残余癌的识别对于病理学专家来说有些情况下都是非常困难的，因此大量的精准的残余癌标注数据往往非常难以获取，这不可避免的会限制最终预测模型的泛化能力；第2)类方案通过利用弱监督学习方式，能够基于大量的不准确的残余癌标注数据实现模型训练，解决了第1)类方案精准的残余癌标注数据难以获取的问题，但同样的由于新辅助化疗后的残余癌的识别对于病理学专家来说有些情况下都是非常困难的，不准确的残余癌标注数据往往含有很复杂的噪声，这也不可避免的会限制最终预测模型的泛化能力。
[0005]可见，由于准确标注数据的获取困难，目前将机器学习模型应用于乳腺癌图像中的残余癌分割仍然存在问题。

技术实现思路

[0006]针对现有技术的缺陷，本专利技术提供一种新辅助化疗后乳腺癌残余癌分割方法、系统和存储介质，目的在于利用大量的不准确的残余癌标注数据和小量精准的残余癌标注数据，充分挖掘大量不准确标注数据和小量精准标注数据各自的优势，实现基于新辅助化疗后乳腺癌组织图像的残余癌精准分割。
[0007]一种新辅助化疗后乳腺癌残余癌分割方法，其步骤是通过预测模型对新辅助化疗后的乳腺癌组织图像进行分割，得到残余癌分割结果；
[0008]其中，所述预测模型通过如下方法进行训练：
[0009]步骤1，利用不准确的残余癌标注数据训练机器学习模型，得到预训练模型；
[0010]步骤2，利用准确的残余癌标注数据训练所述预训练模型，得到所述预测模型；
[0011]步骤1中，所述不准确的残余癌标注数据的标注标准为：保证残余癌不漏标；步骤2中，所述准确的残余癌标注数据是的标注标准为：保证残余癌不漏标且保证不是残余癌的区域没有被标注为残余癌。
[0012]优选的，所述机器学习模型为深度图像语义分割网络。
[0013]优选的，所述机器学习模型选自FCN网络或Unet网络。
[0014]优选的，步骤1中，所述不准确的残余癌标注数据包括训练图像和标签，所述训练图像和标签的尺度相同，所述标签通过像素二值化的方式区分非癌和残余癌。
[0015]优选的，步骤1中，所述训练过程的目标函数采用cross entropy loss，mean square error或IoU loss构建，并采用梯度下降或最小化Op完成对模型参数的迭代更新。
[0016]优选的，步骤2中，所述准确的残余癌标注数据包括训练图像和标签，所述训练图像和标签的尺度相同，所述标签通过像素二值化的方式区分非癌和残余癌。
[0017]优选的，步骤2中，所述训练过程的目标函数采用cross entropy loss，mean square error或IoU loss构建，并采用梯度下降或最小化Op完成对模型参数的迭代更新。
[0018]本专利技术还提供一种新辅助化疗后乳腺癌残余癌分割系统，包括：
[0019]输入模块，用于输入新辅助化疗后的乳腺癌组织图像；
[0020]分割模块，用于按照上述新辅助化疗后乳腺癌残余癌分割方法进行残余癌的分割；
[0021]输出模块，输出残余癌分割结果。
[0022]优选的，所述分割模块包括：
[0023]预训练模块，用于利用不准确的残余癌标注数据训练机器学习模型，得到预训练模型；
[0024]训练模块，用于利用准确的残余癌标注数据训练所述预训练模型，得到所述预测模型；
[0025]预测模块，用于通过预测模型对新辅助化疗后的乳腺癌组织图像进行分割，得到残余癌分割结果。
[0026]本专利技术还提供一种计算机可读存储介质，其上存储有用于实现上述新辅助化疗后乳腺癌残余癌分割方法的计算机程序。
[0027]本专利技术中，所述“乳腺癌组织图像”是乳腺癌经过新辅助化疗后的切除组织通过HE染色制片后，利用病理切片扫描仪数字化而得到的图片。
[0028]本专利技术的技术方案通过级联学习的方式有效利用大量的不准确的残余癌标注数据和小量精准的残余癌标注数据各自的优势，更好的平衡最终得到的预测模型在残余癌分割测试时的召回率和准确率，从而提高其泛化能力，具有很好的应用前景。
[0029]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0030]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容
所实现的技术均属于本专利技术的范围。
附图说明
[0031]图1为本专利技术实施例1的流程示意图。
具体实施方式
[0032]需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0033]实施例1新辅助化疗后乳腺癌残余癌分割方法
[0034]本实施例针对新辅助化疗后乳腺癌残余癌分割方法，提出了一种有效利用大量的不准确的残余癌标注数据和小量精准的残余癌标注数据各自优势的解决方案，其模型的训练流程如图1所示，主要包括如下步骤：
[0035]S1：利用不准确的残余癌标注数据训练机器学习模型，得到预训练模型；
[0036]S2：利用准确的残余癌标注数据训练所述预训练模型，得到所述预测模型；
[0037]S1中，所述不准确的残余癌标注数据的标注标准为：保证残余癌不漏标。在该标准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新辅助化疗后乳腺癌残余癌分割方法，其特征在于：其步骤是通过预测模型对新辅助化疗后的乳腺癌组织图像进行分割，得到残余癌分割结果；其中，所述预测模型通过如下方法进行训练：步骤1，利用不准确的残余癌标注数据训练机器学习模型，得到预训练模型；步骤2，利用准确的残余癌标注数据训练所述预训练模型，得到所述预测模型；步骤1中，所述不准确的残余癌标注数据的标注标准为：保证残余癌不漏标；步骤2中，所述准确的残余癌标注数据是的标注标准为：保证残余癌不漏标且保证不是残余癌的区域没有被标注为残余癌。2.按照权利要求1所述的新辅助化疗后乳腺癌残余癌分割方法，其特征在于：所述机器学习模型为深度图像语义分割网络。3.按照权利要求2所述的新辅助化疗后乳腺癌残余癌分割方法，其特征在于：所述机器学习模型选自FCN网络或Unet网络。4.按照权利要求1所述的新辅助化疗后乳腺癌残余癌分割方法，其特征在于：步骤1中，所述不准确的残余癌标注数据包括训练图像和标签，所述训练图像和标签的尺度相同，所述标签通过像素二值化的方式区分非癌和残余癌。5.按照权利要求1所述的新辅助化疗后乳腺癌残余癌分割方法，其特征在于：步骤1中，所述训练过程的目标函数采用cross entropy loss，mean square error或IoU loss构建，并采用梯度下降或最小化Op完成对模型参数的迭代更新。6.按照权利要求1所述...

【专利技术属性】
技术研发人员：步宏，杨永全，陈杰，
申请(专利权)人：成都华西精准医学产业技术研究院有限公司，
类型：发明
国别省市：