[发明专利]一种基于分片处理的乳腺病理图像识别检测方法与系统

说明书

本发明给出了一种基于分片处理的乳腺病理图像识别检测方法与系统，包括使用图像掩码的方法将病理图像分割为多个组织区域；使用滑动窗口的方式生成一定数量的坐标点，并将每个组织区域切割成一定数量的小幅图像；利用卷积神经网络识别模型对这些小幅图像进行识别判断是否癌变并输出识别结果；基于聚类算法进行聚类，综合每个组织区域的聚类结果在病理图像上绘制多边形检测框，从而标注出病理图像上的癌变区域。本发明训练得到的识别模型具有较高的准确性，能够训练卷积神经网络对数字病理图片进行识别，检测出病理片上的癌症区域，解决了现有技术中需要人工对数字病理进行识别检测的问题，有效减少医生的工作量并避免误诊、漏诊。

技术领域

本发明涉及医疗图像处理技术领域，尤其是一种基于分片处理的乳腺病理图像识别检测方法与系统。

背景技术

乳腺癌是危害女性身心健康的恶性肿瘤之一，近年来其发病率呈现出不断上升的趋势。目前我国乳腺癌的发病率位居女性恶性肿瘤的第1位，但相比于肺癌、胃癌和肝癌，乳腺癌具有预后良好的特点，如果能够及早发现加上恰当的治疗方案，患者的5年存活率可以达到90％以上。

早期体检筛查是最常见的发现恶性肿瘤的方法也是最有效预防恶性肿瘤的方法，目前诊断识别一个肿瘤是良性肿瘤还是恶性肿瘤的主要方法有如下两种：主要为基于人工提取特征的传统图像处理和基于深度学习的图像处理两种方法。传统图像处理方法需要人工提取图像特征，存在人工提取特征的过程复杂度高、识别准确度低和泛化能力差等问题。深度学习有着极强的学习能力和特征提取能力，可以解决传统机器学习对手工提取特性的依赖，提高癌症分析的效率和准确率。因此使用深度卷积神经网络区分和诊断良性肿瘤与恶性肿瘤可以节省患者和医生的时间，提高医疗资源的效率。随着识别准确度的提高，深度卷积网络对临床的意义越来越重大，在医学上的应用具有很大潜力。

近年来,针对深度学习的乳腺癌病理图像诊断的研究陆续开展。目前现有的深度学习研究乳腺图像识别的技术有：

李广丽公开了一种基于多阶段多特征深度融合的乳腺癌图像识别方法，该方法通过提取乳腺造影图像的传统特征以及深度学习特征，深入挖掘不同特征间的跨模态病理语义网络，提出一种基于图像块的提取方法训练CNN，并使用不同的融合策略分类，其识别率比传统算法高6％，但是识别率仍然较低，不能满足临床需要。Cruz-Roa等人提出了一种基于卷积神经网络的乳腺癌组织分类方法。该方法的关键是使用一个包含了两层卷积的神经网络对全切片图像中裁剪出的100×100像素大小的分块进行分类。如果一个分块的80％面积属于恶性区域，则把这个分块视为恶性，否则视为良性。该方法相比基于手工特征的方法有着明显的优势，但是在深度学习中该方法准确率还有待进一步提升。Xu等人在脑肿瘤组织病理分类研究中，将全切片裁剪为151 872nm×151 872nm大小的有相互重叠的正方形分块。这些分块被采样为224×224像素，送入预训练的AlexNet进行分类的微调。在预测时，网络的第2个全连接(Fc2)层输出的4 096维向量被当做分块的特征。全切片图像的特征由所有分块的特征经过p-norm池化和基于类间距离的特征筛选得到，并送入SVM进行多形性胶质母细胞瘤(glioblastoma multifornle，GBM)和低级别胶质瘤(low grade glioma，LGG)的判别。该方法使用的卷积神经网络结构简单，过于原始，准确率有待提升。Bayramoglu等首次提出独立于放大倍数的分类算法,采用单任务卷积神经网络预测恶性肿瘤,并采用多任务卷积神经网络同时预测恶性肿瘤和图像的放大倍数,使用深度学习方法对不同放大倍数的乳腺癌组织病理学图像进行分类,其准确率约为83％,还有待进一步提升。Song等提出了一种将卷积神经网络与Fisher vectors相结合的分类模型,并将其应用于BreaKHis数据集上进行乳腺癌组织病理学图像的分类,使得准确率得到了一定的提高。但是Fishervectors存在着两个可能会限制其性能的问题:高维数和突发性视觉元素。2017年，Wei等提出一种BICNN的深度卷积神经网络模型，增加了网络深度和宽度，提出完全保留癌变区域的图像边缘特征的数据增强方法，使得准确率达到97％。但是该方法存在模型复杂、计算量大、训练时间消耗过长等问题。2019年，王恒等以ResNet50为基础框架，利用迁移学习设计了一个乳腺癌图像二分类模型，正确率可达97.4％，但是无法很好的满足临床应用。