[发明专利]基于级联网络的癌症浸润检测方法

说明书

一种基于级联网络的癌症浸润检测方法，首先，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；然后根据检测得到的可疑浸润区域结果，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；对于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；本发明能够部分代替的人工操作，大大降低了病理医生的工作负担，提高了工作效率，减轻临床压力。

技术领域

本发明属于数字化病理图像处理与辅助决策技术领域，具体涉及一种基于级联网络的癌症浸润检测方法。

背景技术

癌症浸润是指癌细胞直接延伸和渗透到邻近组织中。具体来说，是由转化细胞的增殖和肿瘤大小的逐渐增加而最终导致组织间屏障的破坏，导致肿瘤扩散到邻近组织。常见的癌症浸润包括周围神经浸润、血管浸润、淋巴浸润等。这些浸润都属于癌症的关键特征，对于癌症诊断、患者的预后评估、治疗方案来说至关重要。

病理诊断是癌症诊断方法的金标准，需要病理学家使用高倍率显微镜观察组织切片，进而做出诊断。癌症浸润的检测也在这一过程之中。然而，检测癌症浸润并非易事，它的挑战性主要体现在以下几个方面：

1)病理组织切片十分庞大、拥有极高的分辨率，即使是经验丰富的病理医生也难免会出现漏诊、误诊的情况。雪上加霜的是，癌症浸润通常大小不一，有些区域比常规的癌症组织还要小。

2)随着癌症患者的飞速增长，面临着病理医生匮乏、医疗资源不均等难题。

伴随着人工智能的发展以及越来越多的病理全切片图像(Whole-Slide Image，WSI)的采集，许多新兴的基于深度学习的算法被广泛应用于数字病理图像的分析和处理当中。作为病理学领域的强大工具，计算机可以辅助病理医生的诊断，从而大大减轻了病理医生的工作负担，同时也提高了病理诊断的准确性。目前，相关技术已经应用于癌症区域检测、亚型分类、细胞核分级等方面，而癌症浸润检测的应用却寥寥无几。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于级联网络的癌症浸润检测方法，能够从完整的病理全切片图像(Whole-Slide Image，WSI)中快速准确地检测到各类癌症浸润，具有检测快速、准确、高效的优点。

为了实现上述目的，本发明采用的技术方案为：

一种基于级联网络的癌症浸润检测方法，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。

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；