[发明专利]一种数字病理切片异常区域快速检测的方法

说明书

本发明涉及一种数字病理切片异常区域快速检测的方法。本发明基于拟蒙特卡洛抽样(quasi‑Monte Carlo sampling)方法，先对整张WSI图像进行采样计算，构建异常区域分类概率的多重二次曲面，计算该ROI区域的概率变化幅度，再对ROI区域概率变化幅度较高的子区域增加采样密度，进一步循环计算，经数次迭代，形成整张WSI的异常区域检测结果。从而，在保证识别准确性的前提下，大大减少WSI异常区域识别的计算成本，加快识别速度、提高识别效率。

技术领域

本发明涉及一种数字病理切片异常区域快速检测的方法，属于医学图像计算机辅助诊断技术领域。

背景技术

全视野数字病理切片(Whole slide imaging，WSI)通过光学放大设备自动扫描采集高分辨率数字病理图像，随着高精度采集设备和计算机大存储容量的飞速发展，现代WSI图像像素高达千兆级，仅单张数字病理图像存储空间可高达GB量级。这使得病理医生通常需要重复性地花费大量的时间在千兆级像素的病理图像中识别微小的癌细胞，工作强度非常大。

深度学习(Deep Learning，DL)是一种近年来非常热门的机器学习方法，尤其是卷积神经网络(Convolutional Neural Network，CNN)近年来在图像检测、图像分割和图像分类等领域取得惊人进展。其在医学图像的目标分类与识别、定位与检测、组织器官与病灶的分割等方面得到广泛的应用和发展，为临床医学中各种重大疾病的筛查、诊断、治疗计划、疗效评估和随访提供先进、高效的技术手段与解决方案。

利用深度学习方法对WSI图像进行识别、分类是目前热门研究方向之一，然而由于单张WSI图像像素尺寸高达千兆级，常规的深度学习方法仅适用于数百*数百尺寸的图像，无法直接应用于整张WSI图像。因此，研究人员通常采取的解决方案是：对整张WSI图像进行无重叠、无间隙的等尺寸切块(patch)，然后通过遍历的方式使用预训练的卷积神经网络模型对逐个patch分类判断，最后将所有patch的分类结果拼接还原到原尺寸WSI图像，进而实现识别病理图像异常区域的功能。该方法的优点是不存在漏检现象，但缺点也同样明显，存在遍历效率低、计算耗时长、还原图像噪声大的问题。

发明内容

本发明的目的是：提供一种高效、准确的数字病理切片异常区域快速检测方法，帮助病理医生日常初步快速筛选图像异常区域。

为了达到上述目的，本发明的技术方案是提供了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：