[发明专利]一种基于邻近共同预测的病理切片视野分类提升方法

说明书

本发明公开了一种基于邻近共同预测的病理切片视野分类提升方法，该方法使用分类网络训练作为基础，在预测了测试图像的每一个视野以后，通过两个平均池化得到近邻域概率预测矩阵和远邻域概率预测矩阵，通过融合两个邻域概率预测矩阵，得到最后的结果。该方法不仅考虑了单个视野的图像特征，并且结合了邻近视野的图像特征共同预测，使整体预测结果更加鲁棒，具有更高的可信度。

技术领域

本发明属于医疗影像数据处理领域，具体涉及一种基于邻近共同预测的病理切片视野分类提升方法。

背景技术

随着深度学习在图像领域取得的巨大发展，基于深度学习方法在医疗影像数据上也被广泛运用。目前，以深度学习为基础的计算机系统在识别并分割CT，病理切片，超声影像，MRI影像等方面，都有着比较突出的效果。

在1998年LECUN等人首次提出了卷积神经网络(convolutional neural network,NCC)LeNet模型被美国许多银行用来识别支票上的手写数字之后。各种不同架构的CNN模型在ImageNet竞赛中取得多次比赛的冠军，CNN在图像处理与目标识别领域被广泛应用，成为深度学习在图像处理领域的通用神经网络。随后，在标准的卷积神经网络的基础上，Kaiming He等人提出的ResNet，谷歌公司提出的Inception等等新型网络不断提高ImageNet上的准确率，直至目前卷积神经网络已经成为计算机视觉上用于图像分类的最主要的技术。

在各种肿瘤的诊断中，病理切片诊断结果被认为是最权威，最准确的判别结果，也是在临床中诊断是否患有癌症的最重要的指标。而传统病理切片的诊断由人工进行，在显微镜下，由专业的病理医生通过切片的移动，进而肉眼扫描整个切片，寻找整个是否存在癌细胞，这种工作对于有经验的医生来说无疑是繁重而耗时的，并且随着阅片时间的增长，漏诊率也随之提高。

为了解决病理医生缺乏，阅片工作量大，人工筛查容易遗漏等痛点，急需一种能够使用计算机辅助医生寻找切片中疑似癌变区域的方法，大量减少医生的工作量。

发明内容

本发明提供一种基于邻近共同预测的病理切片视野分类提升方法，该方法不仅考虑了单个视野的图像特征，并且结合了邻近视野的图像特征共同预测，使整体预测结果更加鲁棒，具有更高的可信度。

本发明所述的常规细胞为人体正常细胞，非常规细胞与人体正常细胞相对应，为人体非正常形态细胞。

本发明提出的一种基于邻近共同预测的病理切片视野分类提升方法，包括：

(1)将电子病理切片图像与非常规细胞视野分类标注切分成为固定像素大小的训练图像，训练一个收敛的非常规细胞视野分类神经网络；

(2)将未标注的电子病理切片图像切分为m行，n列的测试图像，图像大小与训练图像大小相同，并把每张测试图像传入(1)中训练好的非常规细胞视野分类神经网络，预测出m×n的非常规概率矩阵；

(3)对于(2)中得到的非常规概率矩阵，使用核大小为k×k，步长为s的平均池化作用得到近邻域预测概率矩阵；

(4)对于(2)中得到的非常规概率矩阵，使用核大小为L×L，步长为s的平均池化作用得到远邻域预测概率矩阵，其中L大于k；

(5)将(3)和(4)得到的近邻域预测概率矩阵和远邻域概率矩阵的对应点进行融合，得到最终概率预测矩阵；

(6)将最终概率预测矩阵中概率超过预测阈值t的视野预测为非常规细胞，小于等于t的视野预测为常规细胞。

进一步地，步骤(1)中，非常规细胞视野分类神经网络包括ResNet、DenseNet、Inception等通用视觉分类网络；优选DenseNet，原因在于DenseNet在通用图像分类中有较好的性能，并且也适用于其他的数据集，包括医疗数据。