[发明专利]一种弱监督学习的病理全片图像类别推断方法及其系统

说明书

本发明公开了一种弱监督学习的病理全片图像类别推断方法及其系统，通过将病理全片图像切割成包含不重叠图像块的二维网格图，并在所述二维网格图上使用每个图像块的类别概率向量，构建三维地形轮廓图，再获取所述三维地形轮廓图中的最显著特征峰，根据所述最显著特征峰和\或所述最显著特征峰的特征指标，计算出与所述三维地形轮廓图对应的病理全片图像的类别概率值，并将所述病理全片图像的类别概率值与预设的分类阈值进行对比来判断所述病理全片图像上包含所述三维地形轮廓图的类别，相比起现有技术而言，能依据临床规则，能有效避免假阳性错误，准确的判断出所述病理全片图像的类别。

技术领域

本发明属于图像处理与医学技术领域，尤其涉及一种弱监督学习的病理全片图像类别推断方法及其系统。

背景技术

病理全片图像(whole side image，WSI)的分类是病理临床诊断的重要环节，对病理图片进行计算机精确分类是自动诊断的基础问题，即识别病理全片图像中包含的类别以及该类别在图像中的空间位置。

由于全片图像尺寸巨大，像素点非常多，很难一次性进行分类识别。弱监督学习是指将病理全片图像分割成小块(小图，图像块或者patches，tiles)，然后将类别标注在小块，而不是标注在细胞或者组织结构上。训练分类器对图像块进行分类，得到两类或者多类的概率向量(分类向量)，概率向量记录图像块属于所有类别的概率，可以取向量中最大的概率对应的类别作为图像块的类别。

因为分类器的分类是在图像块上实现的，必须基于每张图像块的类别的概率向量(p′₁,...p′_n)，设类别总数为n。采用某种策略，整合所有图像块的类别，以推断整张病理图像的类别。现有的策略一般是根据全片图像中出现次数最多的图像块的类别，决定病理全片图像的类别。

然而，基于出现次数最多的图像块的类别，即基于统计学的整合策略，作为全片图像的类别，是不符合临床诊断规则的。临床规定，病理图片中疾病组织的定性或者分类，是基于有和无的，而不是基于数量。建立在图像块类别的出现次数或者频率的策略，如计算面积比；平均概率；建立输入所有的图像块的概率向量，输出全片图像类别的分类器，本质上是违反了病理诊断规则。即使能够在全片图像上取得较好的结果，也不能被临床所接受和理解。

此外，基于统计学的整合策略，理论上，很容易造成被判断的类别出现极高的假阳性错误。图像块的分类总是存在一定错误率的，全片图像上存在成千上万的图像块。推断全片图像的类别时，基于图像块的分类的概率向量，统计类别出现次数或者频率，依据统计学上多比较测试的理论，会累积分类错误，结果全片图像的类别推断时，出现严重的假阳性率。例如识别癌症，每个图像块判为癌的概率是存在误差的。利用成千上万张图像块判为癌概率，推断全片图像为癌的概率，这是一个多比较测试问题。图像块为癌的识别误差会进行累积，结果非癌的全阴性的病理全片图像，很容易因为多比较误差累加，被识别为癌，导致病理全片图像分类的假阳性错误。

发明内容

本发明所要解决的技术问题是解决现有的病理全片图像分类方法由于采用统计学的整合策略导致对病理全片图像分类的假阳性错误，克服以上背景技术中提到的不足和缺陷，提供一种弱监督学习的病理全片图像类别推断方法及其系统。

为解决上述技术问题，本发明提出的技术方案为：

一种弱监督学习的病理全片图像类别推断方法，包括以下步骤：

将病理全片图像切割成包含不重叠图像块的二维网格图，每个网格点对应一个图像块；

获取所述二维网格图上的每个图像块的类别概率向量，所述类别概率向量包含待分类的病理全片图像的类别在所述图像块上所对应的类别概率值；

使用所述二维网格图和所述类别概率向量中的类别概率构建三维地形轮廓图，所述三维地形轮廓图以所述二维网格为底面，以所述图像块的类别概率向量中的一种类别概率值为地形高度，所述三维地形轮廓图的种类与所述类别概率向量中的类别相对应；