[发明专利]基于级联网络的癌症浸润检测方法

权利要求书

1.一种基于级联网络的癌症浸润检测方法，其特征在于，具体包括以下步骤：

步骤一：从完整的WSI中全局检测可疑浸润区域，将完整的WSI裁剪为小块(patch)，使用Unet或以Unet为基础的深度学习模型全局检测可疑浸润区域；

步骤二：根据步骤一的结果，使用卷积神经网络判断可疑浸润区域处是否含有癌症组织；

步骤三：对于步骤二中判断含有癌症组织的部分，使用Unet或其他以Unet为基础的深度学习模型进行浸润边界的检测；将检测得到的浸润边界根据坐标还原到WSI中，完成癌症浸润检测。

2.根据权利要求1所述的一种基于级联网络的癌症浸润检测方法，其特征在于，所述步骤一的具体方法为：

S1调用python中的openslide软件库读取整张WSI将其切分成边长范围512到1024像素的小块(patch)，步长为边长的一半，在WSI上使用滑动窗口进行裁剪，保证相邻patch间有50％的重合区域，根据patch所占内存大小筛选patch；

S2选用医学图像分割领域中Unet或以Unet为基础的深度学习模型对每个patch进行可疑浸润区域的检测：首先将patch压缩至边长256到512像素，将含有可疑浸润区域的patch作为正例，不含可疑浸润区域的patch作为负例，对两类patch进行标注，对于正例，标注可疑浸润区域的轮廓；对于负例，不做标注；随后将其一同输入模型进行训练，模型会根据标注信息，来学习两类patch的特征，更新自身的模型参数，面对两类patch，模型都能取得优良的分割效果；随后，调用python中opencv软件库，采用分水岭算法对检测结果进行后处理，避免出现零散的噪点区域，起到了优化检测结果的作用；

S3根据每个patch的检测结果，对于不含任何可疑浸润区域的patch，弃之不用，只保留含有可疑浸润区域的patch。

3.根据权利要求1所述的一种基于级联网络的癌症浸润检测方法，其特征在于，所述步骤二具体方法为：

根据步骤一得到的检测结果，沿着可疑浸润区域的边缘进行进一步的裁剪采样：选用滑动窗口，边长设置范围为128到256像素，步长设置为边长的一半，沿着可疑浸润区域边缘进行裁剪；对于裁剪得到的patch，进一步判断其是否含有癌症组织；此处，选用卷积神经网络(CNN)，对patch进行二分类，区分其含有癌症组织还是不含癌症组织并输出概率值，每个像素点对应一个概率值；设置置信阈值，输出概率值大于置信阈值的视为含有癌症组织的patch；反之，视为正常组织；最后，保留含有癌症组织的patch。

4.根据权利要求1所述的一种基于级联网络的癌症浸润检测方法，其特征在于，步骤三的具体方法为，对经过步骤一和步骤二的处理，得到的所有既含癌症组织，又含可疑浸润区域patch，选用Unet或以Unet为基础的深度学习分割网络，分割出癌症组织和可疑浸润区域的边界，得到以癌症组织和可疑浸润区域边界为距离原点的距离热力图；

随后，设置置信阈值，将概率值大于置信阈值的像素点当作癌症组织和可疑浸润区域边界候选点；

然后，采用传统图像处理中的骨架提取算法，调用python中skimage.morphology软件库，将癌症组织和可疑浸润区域边界候选点提取为宽度为一个像素点的骨架；这样就得到了癌症组织浸润可疑浸润区域的边界；

最后，由于前面的裁剪操作记录下了patch的坐标，在得到癌症组织浸润可疑浸润区域的边界之后，提取记录的所有patch中的边界坐标，并将其标记到到原始的WSI中；至此，完成癌症浸润的检测。

5.根据权利要求2所述的一种基于级联网络的癌症浸润检测方法，其特征在于，所述步骤一S1中根据patch所占内存大小筛选patch方法为：以100KB到300KB为所占内存阈值，占内存小于该阈值的予以舍弃，以增加检测效率。

6.根据权利要求3所述的一种基于级联网络的癌症浸润检测方法，其特征在于，所述步骤二中对patch进行二分类的卷积神经网络(CNN)包括ResNet、DenseNet。