[发明专利]一种基于卷积神经网络的前列腺癌组织微阵列分级方法

说明书

本发明提供一种基于卷积神经网络的前列腺癌组织微阵列分级方法，该方法包括：采集前列腺癌组织微阵列图像数据；对前列腺癌组织微阵列图像数据进行预处理；基于预处理后的前列腺癌组织微阵列图像数据建立图像分割模型，将前列腺癌组织微阵列图像数据输入到图像分割模型中；将图像分割模型的输出结果恢复到与原始图像相同的尺寸；将图像分割模型预测结果与专家标注结果进行一致性检验比较，输出比较结果。本发明能通过多尺度自注意网络来融合深层和浅层的特征，同时对各个尺度的特征进行监督，可以减少网络参数，提高计算效率，并在标注完整的数据集上验证了方法有效性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的前列腺癌组织微阵列分级方法。

背景技术

在最新的全球癌症统计报告中，男性病例中最常见的肺癌(14.5％)，其次是前列腺癌(13.5％)，男性患癌率最高的疾病是前列腺癌的国家已经超过100个。在传统的前列腺癌诊断过程中，病理学专家通过穿刺活检取得病例样本，经过HE染色得到病理图像并在显微镜下观察细胞的组织形态模式，确认该组织中是否有癌症存在并进行Gleason评级，但容易受到病理学专家观察者之间主观因素的影响，且手工标注工作量大耗时高效率低。

Gleason评级模式在评估前列腺癌组织微阵列中是被广泛接受且认可的一种标准，不仅仅能作为病理学的评价指标，也能在临床诊断中为医生诊断提供可靠的依据。Gleason中前列腺癌微阵列组织被分为五种生长模式，1到5对应不同细胞组织形态，从预后较好，与正常组织基本无差别到预后较差，细胞分化较差的组织，1和2在前列腺癌诊断中较少出现。按照生长模式的占比大小，将一张病理切片的生长模式分为主要结构和次要结构，最终评分结果由主要结构和次要结构相加得出，根据分数不同归类为不同的预后组，当不超过6分时通常有较好的预后结果。近几年出现的前列腺癌TMAs格里森自动分级方法主要是基于分类器，该方法通过提取特征组织，然后对所选择的特征使用如SVM(支持向量机)、随机森林或Bayesian分类器等进行分类，基于分类器的研究过度依赖于数据集，且每个架构之间复用性有限，且需要精确定位ROIs。

综上，现有的基于分类器的Gleason自动分级方法导致Gleason的自动分级效率不高，耗时长，复用性不高。

发明内容

本发明的目的在于提供一种基于卷积神经网络的前列腺癌组织微阵列分级方法，以克服或至少部分解决现有的基于分类器的Gleason自动分级方法所存在的上述问题。

本发明第一方面提供一种基于卷积神经网络的前列腺癌组织微阵列分级方法，所述方法包括：

S1、采集前列腺癌组织微阵列图像数据；

S2、对前列腺癌组织微阵列图像数据进行预处理；

S3、基于预处理后的前列腺癌组织微阵列图像数据建立图像分割模型，将前列腺癌组织微阵列图像数据输入到图像分割模型中；

S4、将图像分割模型的输出结果恢复到与原始图像相同的尺寸；

S5、将图像分割模型预测结果与专家标注结果进行一致性检验比较，输出比较结果。

进一步的，所述步骤S2、对前列腺癌组织微阵列图像数据进行预处理，具体包括：

S21、对前列腺癌组织微阵列图像数据进行resize操作；

S22、通过图像变换算法对前列腺癌组织微阵列图像数据进行数据增强，扩充数据集。

进一步的，所述步骤S3、基于预处理后的前列腺癌组织微阵列图像数据建立图像分割模型，将前列腺癌组织微阵列图像数据输入到图像分割模型中，具体包括：

S31、将预处理后的前列腺癌组织微阵列图像数据作为图像分割模型的输入；