[发明专利]一种优化组织学病理图像智能分析性能的后处理方法

说明书

本发明提供了一种优化组织学病理图像智能分析性能的后处理方法。所述方法包括：获取病例的多张病理切片的数字图像，并绘制先验图谱；将切片对应的数字图像和先验图谱裁剪成小尺寸图像块；计算待优化算法对于小尺寸图像块的预测置信概率特征，并计算对应的先验图谱的平均值作为先验权重；计算每个小尺寸图像块的加权置信概率特征；融合切片对应的所有小尺寸图像块的加权置信概率特征；融合病例对应的所有切片的加权置信概率特征；最后预测病例所属病变类别。本发明的方案不需要重新训练即可应用于现有智能分析方法，不仅能提升算法的分析精度，也能结合医生的先验知识关注部分关键区域，在病理医生诊断过程中起到更精确的智能辅助效果。

技术领域

本发明涉及图像处理技术领域，具体为一种优化组织学病理图像智能分析性能的后处理方法。

背景技术

近年来，以卷积神经网络为代表的深度学习方法在组织学病理图像智能分析领域取得了显著成果。为了便于计算机处理，以苏木精和伊红染料染色的切片首先被扫描成组织学病理数字图像。为了清晰呈现细胞形态与细胞分布，组织学病理数字图像通常在40倍目镜条件下扫描获得，此时的图像单张包含像素数目可达数百万的级别，远远超过计算机单次运算的负荷能力。因此，通用方法将单张组织学病理图像裁剪成尺寸较小的图像块来处理和分析，而后将每张图像块的分析结果按照裁剪的位置拼接起来，从而得到最终的整张切片的智能诊断结果。

然而，小尺寸图像块的智能分析无法兼顾全切片的整体信息，诊断结果难免存在偏差，进而导致拼接后的切片诊断结果包含大量噪声。许多方法基于图像块的诊断结果进行众数投票得到切片的诊断结果，但投票机制极易受到噪声的干扰而产生误判。单张切片的误判会进一步影响患者的最终诊断结果。本发明提出一种优化组织学病理图像智能分析性能的后处理方法，不需要重新训练即可应用于现有智能分析方法，不仅能提升算法的分析精度，也能结合医生的先验知识关注部分关键区域，在病理医生诊断过程中起到更精确的智能辅助效果。

发明内容

本发明提供了一种优化组织学病理图像智能分析性能的后处理的方法，其特征在于，所述方法包括：

步骤1，获取病例的多张病理切片的数字图像，并绘制先验图谱；

步骤2，将切片对应的数字图像和先验图谱裁剪成小尺寸图像块；

步骤3，计算待优化算法对于小尺寸图像块的预测置信概率特征，并计算对应的先验图谱的平均值作为先验权重；

步骤4，计算每个小尺寸图像块的加权置信概率特征；

步骤5，融合切片对应的所有小尺寸图像块的加权置信概率特征；

步骤6，融合病例对应的所有切片的加权置信概率特征；

步骤7，根据步骤6中的加权置信概率特征，预测病例所属病变类别。

具体地，在步骤1中，将病例P的组织通过石蜡包埋或冰冻包埋后进行切片和染色处理，并基于高倍数目镜扫描成多张组织学病理数字图像p₁,p₂,...,p_i，i为切片数量；

具体地，在步骤1中，所述绘制先验图谱，包括：根据医生的先验知识，获取与切片等尺寸的先验图谱H，每张切片分别对应先验图谱h₁,h₂,...,h_i，并在图谱中存储归一化的相对关注度度，关注度取值范围为[0,1]；