[发明专利]一种适用于多类型病理图像的自动标注方法及系统

说明书

本发明给出了一种适用于多类型病理图像的自动标注方法及系统，包括将已上传的病理图像通过已训练完毕的深度学习模型进行分类识别得到病理图像的分类结果、各分类的位置坐标以及各分类相对应的概率，并对识别为肿瘤区域的部分进行自动标注生成标注结果，并在病理图像中显示所述肿瘤区域的标注结果，若病理专家认为所述标注结果有误，则对所述标注结果进行包括增加标注、修改标注和删除标注后重新标注在内的操作，病理专家针对所述标注结果给出审核结果和诊断意见。本发明根据基于聚类分析的病理图像自动标注算法，给出病理图像的XML的矢量图标注，设计了医生审核功能，保证自动标注的准确性，并与医院实际流程相结合，缓解了病理专家的工作量。

技术领域

本发明涉及医学影像诊断技术领域，尤其是一种适用于多类型病理图像的自动标注方法及系统。

背景技术

近年来，随着人工智能和深度学习技术的不断发展，计算机辅助诊疗已成为医学影像研究的焦点。基于深度学习的组织病理图像辅助诊断方法能够加快病理医生的诊断效率，缓解病理医生稀缺、培养周期长、病理科室普遍超负荷工作的情况。基于深度学习的病理图像诊断需要使用大量的病理数据集，但全切片图像尺寸巨大，标注工作非常耗时，导致目前病理图像领域的像素级标注的数据集较少。现有标注系统多为病理专家手工标注，费时费力，且容易存在错标、漏标的情况。而基于深度学习的组织病理辅助诊断方法往往存在识别准确率低，未给出XML的矢量图标注，无法用做深度学习数据集，一个系统只对应一种疾病等问题。因此本发明设计了一种适用于多类型病理图像的自动标注系统，实现多类型病理图像肿瘤区域的自动标注，并包含病理专家审核模块，使其在减少病理专家工作量的同时，保证标注的准确性。

近年来，有多名学者对病理图像的识别进行了研究，比如，Sun Y等人提出了一种基于深度学习的系统，可以自动识别组织病理学图像中的肿瘤区域。Diao S等人提出了一种基于深度卷积神经网络的用于病理学WSI的计算机辅助诊断的全自动癌症区域识别框架。Wang X等人提出了一种弱监督学习方法来解决全切片肺癌图像的分类问题，同时还可以有效地预测癌症概率，检测出疑似癌症区域。但上述方法均未给出XML的矢量图标注，无法为深度学习提供数据集。

目前，也存在一些相关技术，解决上述问题。例如，中国专利CN105608319B提供了一种数字病理图像的标注方法，但该方法需要用户手动选择标注点的位置和标注图形类型。中国专利CN110659692A实现了病理图像自动标注，但其未包含医生审核功能，无法保证自动标注的准确性。中国专利CN110826560A给出了食道癌的病理图像标注方法，但该发明只对应了一种疾病的标注方法。

发明内容

本发明提出了一种适用于多类型病理图像的自动标注方法及系统，以解决上文提到的现有技术的缺陷。

在一个方面，本发明提出了一种适用于多类型病理图像的自动标注方法，该方法包括以下步骤：

S1：病理专家上传病理图像，编辑已上传的病理图像的相关信息，对所述已上传的病理图像信息、所述已上传的病理图像对应的疾病类型以及所述已上传的病理图像对应的病患信息进行查看、增加、修改、删除的操作；

S2：根据所述已上传的病理图像中显示的疾病类型的不同，将所述已上传的病理图像送入与疾病类型相对应的已训练完毕的深度学习模型进行识别，得到所述已上传的病理图像的分类结果、各分类的位置坐标以及各分类相对应的概率，并对识别为肿瘤区域的部分进行自动标注生成标注结果，并在病理图像中显示所述肿瘤区域的标注结果，将所述标注结果返回给病理专家；

S3：病理专家查看所述标注结果，若认为所述标注结果有误，则对所述标注结果进行包括增加标注、修改标注和删除标注后重新标注在内的操作，病理专家针对所述标注结果给出审核结果和诊断意见。