[发明专利]一种癌症病理图像自动检测方法及系统

说明书

本发明实施例提供一种癌症病理图像自动检测方法及系统，包括：采用预设提取算法提取全切片图像集的前景图像集；将前景图像集做分块处理，获得分块图像集，并提取有标注数据集的类别标注；将分块图像集和类别标注输入至EM模型半监督学习框架中进行模型训练，得到有标注数据集分布概率和未标注数据集分布概率；根据概率图标准化算法计算有标注数据集分布概率和未标注数据集分布概率，得到癌症概率分布图；基于癌症概率分布图处理全切片图像集，得到标准化自动检测结果。本发明针对全切片图像病理图像的自动化癌症区域检测，提出了基于期望最大化的半监督算法框架，可以对癌症原发区域组织进行较为精确的病理分型和分级。

技术领域

本发明涉及病理图像诊断技术领域，尤其涉及一种癌症病理图像自动检测方法及系统。

背景技术

目前癌症的诊断仍然依赖于人工诊断手段，特别是乳腺癌诊断，为了得到乳腺癌诊断的黄金标准，通常需要做乳腺组织病理学诊断。病理学家需要对组织切片进行分析，仔细观测乳腺的淋巴结切片，进行乳腺的病理分期，同时还需要观测组织形态来确定病理分级。

人工诊断容易出现漏检及误检的情况，许多相关研究发现，对于同一个患者，不同的病理医生给出诊断结果通常存在差异。有研究指出，病理学家对乳腺癌的诊断一致性只有75.3％。对于一些不常见的乳腺癌类别，诊断的一致性只有48％。使用显微镜下观测病理切片时，病理切片通常在显微镜下含有数百亿的像素，而病理学医生诊断一位病人时需要观测超过一张切片，观测过程会花费大量的诊断时间，加上医疗人员不足，使得病人检验与医生诊断中间的周期拉长，检验失去了及时性，导致病人错过治疗的最佳时期。此外，扫片不仅需要医疗设备，同时还需要具备深厚专业知识和实践积累的医学专家，在一些医疗资源不足的地区，存在严重的专业人员缺乏和设备短缺，因而导致误诊的案例。除了医疗资源供不应求外，由于病理学家负荷的患者过多，在快速扫片的过程中，容易漏检一些微小癌症区域，导致诊断的准确率下降。

随着人工智能迅速发展，不少研究人员尝试利用人工智能算法来实现自动化乳腺癌病理分级，希望通过自动分析乳腺癌图像来降低劳动力的成本。但人工智能算法通常需要依赖大量的标注数据作为训练数据，而有效的标注数据在医疗图像上却很难获得，因此，限制了算法诊断的准确率，而对于医学诊断而言，准确率相当重要。现有算法采用条件生成对抗网路(CGAN)，生成接近真实数据的图像，但会在原始图像上产生假性特征，造成后续判断失误。故若能成功克服训练数据集较少所造成的局限，就能使算法能更好地应用在实际层面上。

近期的研究表明，由于通过观测全切片图像(Whole Slide Image,WSI)进行诊断，与传统使用显微镜观测切片的诊断方法效果一致，故WSI已广泛用于乳腺病理学诊断。切片病理图像通常无法直接作为人工智能网络输入，现有算法直接将其裁剪为网络的标准输入，造成病理图像全局信息的损失，导致无法提取病理图像的全局特征。或是将图像进行下采样，从而得到网络的标准输入，造成病理图像分辨率下降，导致无法提取局部细节的特征。在乳腺癌病理图像案例中，前者无法精确地将原位癌和浸润癌区分；后者对有丝分裂关键特征的提取造成影响。故需要一个病理图像特征提取方法能同时有效地保留全局特征与局部细节特征。

发明内容

本发明实施例提供一种癌症病理图像自动检测方法及系统，用以解决现有技术中存在的缺陷。

第一方面，本发明实施例提供一种癌症病理图像自动检测方法，包括：

读取待检测癌症的全切片图像集；

采用预设提取算法提取所述全切片图像集的前景图像集；

将所述前景图像集做分块处理，获得分块图像集，并提取所述分块图像集中有标注数据集的类别标注；

将所述分块图像集和所述类别标注输入至EM模型半监督学习框架中进行模型训练，得到有标注数据集分布概率和未标注数据集分布概率；

根据概率图标准化算法计算所述有标注数据集分布概率和所述未标注数据集分布概率，得到癌症概率分布图；