[发明专利]一种食管鳞状上皮异型增生图像的处理方法、系统及介质

说明书

本发明涉及一种食管鳞状上皮异型增生图像的处理方法、系统和介质，包括：将病理全切片数字图像分为训练集和验证集，并对其进行预处理；将经过预处理的图像分为ESD标本图像和活体标本图像，对ESD标本进行分层，对EDS层进行评估，并提取ESD标本图像和活检标本图像的特征值；将训练集中图像的特征值按照细胞核或组织进行特征分组聚合，并采用经过特征分组聚合后的特征值对图像处理模型进行训练，获得最优的图像处理模型；采用验证集中图像的特征值对最优的图像处理模型进行验证；将待测图像输入最优的图像处理模型中获得待测图像中异型增生细胞或组织类型。其在缺少精确标记医学影像下，解决了细胞组织图形学特征提取的问题。

技术领域

本发明涉及一种食管鳞状上皮异型增生图像的处理方法、系统和介质，属于医疗图像处理技术领域。

背景技术

食管癌是全世界最常见的恶性肿瘤之一，而我国是食管癌最高发的国家之一。多数食管癌确诊时已为晚期，导致整体预后不良，如果能早发现、早诊断、早治疗，患者的5年生存率可超过90％。由于分化程度不同，肿瘤的细胞形态和组织结构与相应的正常组织有不同程度的差异，这种差异称为异型性。食管鳞状上皮异型增生是癌前病变的一种，是食管鳞状上皮内出现异型性细胞且不伴有浸润。食管鳞状上皮异型增生分为低级别异型增生和高级别异型增生，异型性分析对判断食管鳞状上皮异型增生至关重要，若是细胞具有重度异型性，病变细胞层数虽未超过上皮层数的1/2，也需判定为高级别异型增生，但是低级别异型增生一定是细胞具有轻度异型性且病变细胞层数不能超过上皮层数的1/2。细胞极向是否紊乱、细胞是否重叠(细胞间距过小、不等)是结构异型性重要指标。

病理图像的计算机辅助诊断通过识别病灶并且对组织区域的级别进行预判给出诊断决策参考，以借助深度卷积神经网络技术反映组织细胞的生物学行为和形态学特征，同时反映在组织结构和细胞形态上不同程度的形态差异。深度卷积神经网络技术在多数计算机视觉任务中取得了骄人的成绩，但也有不小的弱点：一方面深度学习网络要求海量的标注训练数据，这对于注重隐私的医学图像数据集来讲难以实现；另一方面，深度卷积神经网络的数据输入和输出之间的空间中具有多层不可见不可解释的非线性激活操作，这通常被称为“黑盒”，即无法让使用者明白每个参数的含义，即只能做出“判断”，而无法提高临床医师的知识。基于传统病理分析的病理分析方法提取的特征数量有限，所设计的特征适应能力较弱，应用成本高。机器学习的方法以数据驱动的方式分析任务，能自动地从特定问题的大规模数据集中学习相关模型特征和数据特性，但通常需要复杂的网络结构，无法建立具备可解释性的诊断方案。

当前食管鳞状上皮异型增生图像处理的两个主要问题是：判断异型性难：低级别异型增生与高级别异型增生在细胞异型性上，可以利用核长轴、短轴值，细胞间距、细胞形状来区分；可是在结构异型性上，难以针对活检标本、内镜下切除标本反映出不同结构异型性。建立高效低耗的数值特征提取难：现有的深度卷积神经网络学习模型，缺乏相应的高效神经网络结构以进行兴趣区域内数值特征的提取、判别。

发明内容

针对上述问题，本发明的目的是提供了一种食管鳞状上皮异型增生图像的处理方法、系统和介质，其同时结合人工病理的经验优势与人工智能的图像处理能力优势相结合，在缺少大量精确标记医学影像数据普遍情况下，使用无监督学习的方法解决了病理图像中细胞、组织的图形学数值特征的提取难题。

为实现上述目的，本发明采取以下技术方案：一种食管鳞状上皮异型增生图像的处理方法，包括以下步骤：S1将病理全切片数字图像分为训练集和验证集，分别对训练集和验证集中的图像进行预处理；S2将所有经过预处理的图像分为ESD标本图像和活体标本图像，对ESD标本进行组织学分类，对EDS标本病理诊断进行评估，并提取ESD标本图像和活检标本图像的特征值；S3将训练集中图像的ESD标本图像和活检标本图像的特征值按照细胞核或组织进行特征分组聚合，并采用经过特征分组聚合后的特征值对若干个图像处理模型分别进行训练；S4根据验证集中图像的ESD标本图像和活检标本图像的特征值对若干个图像处理模型进行评分，将评分最高的图像处理模型作为最优的图像处理模型；S5将待测图像输入最优的图像处理模型中获得待测图像中异型增生细胞或组织类型。