[发明专利]一种数字病理切片异常区域快速检测的方法

权利要求书

1.一种数字病理切片异常区域快速检测的方法，其特征在于，包括以下步骤：

步骤1、图像预处理：对全视野数字病理切片WSI图像进行颜色标准化和非组织区域去除，形成最终有效的组织区域，并将该有效的组织区域初始化为ROI区域，有效的组织区域内所有坐标点称为ROI区域的点集；

步骤2、在ROI区域内按已定义的切块patch尺寸进行拟蒙特卡洛采样，通过预训练的深度卷积神经网络模型S0计算每个采样切块patch的分类概率值，切块patch尺寸与深度卷积神经网络模型S0相匹配，包括以下步骤：

步骤2.1、对步骤1得到的ROI区域按切块patch尺寸进行n轮迭代的拟蒙特卡洛采样，具体的包括如下步骤：

步骤2.1.1、将ROI区域按坐标的行顺序，降维至一维连续坐标序列；

步骤2.1.2、采用单维度Sobol序列生成器生成拟蒙特卡洛随机采样点，单维度Sobol序列生成器在概率空间中产生均匀分布的、以2为基数的、维度为1的低差异伪随机的随机数生成序列；除第一轮迭代外，每一轮生成的待确认的采样点数量为3m，每一轮最终确认的采样点数量为m，其中第一轮生成的待确认的采样点数量为m；

步骤2.1.3、在由单维度Sobol序列生成的随机数生成序列的基础上乘以一维连续坐标序列长度，得到相应的m个伪随机一维采样点，如下式(1)所示：

P_qmc＝Round(Length(L_ROI)×Sobol(dim,X))    (1)

式(1)中，P_qmc代表生成的由m个伪随机一维采样点组成的伪随机一维采样点集；Round(·)函数代表四舍五入取整；Length(·)函数代表获取集合长度；L_ROI代表ROI区域的一维连续坐标序列点集；Sobol(·)函数代表按照不同维度生成随机数序列；dim设置为1；在第一轮迭代过程的采样中，X∈[1,m]，m∈R，R代表实数集合,生成的伪随机一维采样点的数量为m；在第i轮迭代过程的采样中，每轮X∈[(3i-5)×m+1,(3i-2)×m]，i＝2,…,n，生成的伪随机一维采样点的数量为3m；

步骤2.2、根据步骤2.1得到m个伪随机一维采样点代表的切块patch集，通过预训练的深度卷积神经网络模型S0计算每个采样切块patch的分类概率值，概率值范围在[0,1]区间；

步骤3、根据步骤2得到的采样点分类概率值，构建基于切块patch尺度的异常区域分类概率的多重二次曲面，选取ROI区域的异常区域分类概率曲面，并计算该异常区域中每个切块patch点对应的概率变化幅度，最终得到的ROI区域的异常区域分类概率曲面和相应的概率变化幅度，包括以下步骤：

步骤3.1、根据步骤2生成的离散的伪随机一维采样点坐标和基于切块patch尺度的分类概率值，采用多重二次曲面函数对异常区域分类概率曲面进行曲面构建，获得ROI区域的异常区域分类概率曲面f，曲面构建过程中，所使用的多重二次曲面函数Φ(r)公式如式(2)所示：

式(2)中，Φ(r)代表多重二次曲面函数；r代表构建点x距伪随机一维采样点c的半径；ε代表伪随机一维采样点集P_qmc之间的近似平均距离；

步骤3.2、利用7×7尺寸的Sobol算子分别计算ROI区域的异常区域分类概率曲面f在水平方向x和垂直方向y的概率变化幅度，生成异常区域分类概率曲面f的概率变化向量S_x代表水平方向x的Sobol算子，S_x＝a×b^T，S_y代表垂直方向y的Sobol算子，S_y＝b×a^T，a和b分别代表两个设定的一维矩阵，a＝[1 4 5 0-5-4 1]，b＝[1 6 15 20 15 61]；

然后根据下式(3)的范数公式计算ROI区域的概率变化幅度：

式(3)中，‖f‖_ROI代表f的概率变化幅度，代表沿图像沿水平方向x的概率变化幅度，代表沿图像沿竖直方向y的概率变化幅度；

步骤4、将步骤3中最终使用的异常区域中的切块patch点的点数与ROI区域的点集数量进行对比，当确认的切块patch点的点数小于异常区域的总点数时，进入步骤5，准备新一轮的迭代计算；当确认的切块patch点的点数大于ROI区域的总点数，迭代终止，进入步骤6，产生最终的预测结果；

步骤5、将步骤3中ROI区域的概率变化幅度‖f‖_ROI高于设定阈值的子区域作为新一轮迭代的ROI区域，重复执行步骤2和步骤3，除第一轮迭代外，每轮迭代过程中由Sobol序列产生器产生3m个伪随机采样的采样点，并且选取m个概率变化幅度‖f‖_ROI较大的采样点，作为当前轮数的最终采样点，其中新一轮迭代的ROI区域，即密集迭代采样区域，其中，每轮迭代之间的ROI区域关系如式(4)所示：

式(4)中，ROI_i代表第i轮的采样点感兴趣区域，h代表第i轮中大于梯度中位数‖f‖_median的梯度变化大的感兴趣区域，ROI_i+1代表第i+1轮的采样点感兴趣区域，当i＝1时，ROI₁代表步骤1获得的有效组织区域；

步骤6、完成步骤2、3、4、5的迭代，获得最后一轮迭代的ROI区域的异常区域分类概率曲面f，设置异常区域分类概率的阈值，得到最终的整个全视野数字病理切片WSI图像的异常区域检测结果R，其中：异常区域分类概率的阈值与异常区域R的关系如下式(5)所示：

式(5)中，1值代表异常区域，0值代表正常区域，T代表异常区域分类概率的阈值。