[发明专利]用于结直肠癌微卫星不稳定预测的系统和图像分割方法

说明书

本发明属于医学图像处理技术领域，具体涉及一种用于结直肠癌微卫星不稳定预测的系统和图像分割方法。本发明的分割方法包括：从原始全视野切片图像数据中读取多分辨率图像，使用低分辨率图像将高分辨率图像去除背景后进行切分，得到若干block；计算步骤1得到的所有block的图像熵；根据图像熵筛选block，将图像熵过低的block丢弃，得到由剩下的block构成的Entropy‑mask；将所述Entropy‑mask与高分辨图像相乘，得到分割后的有效区域。本发明还提供了利用上述分割结果通过弱监督学习训练的机器学习模型进行微卫星不稳定预测的系统。本发明具有高效、可靠、可广泛使用、无需人工标注、成本效益高的优点，在临床上具有很好的应用前景。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种用于结直肠癌微卫星不稳定预测的系统和图像分割方法。

背景技术

结直肠癌是当今世界上第三大常见癌症，也是世界上第二大致死癌症，每年大约有90万人死于结直肠癌。微卫星不稳定性(Microsatellite Instability，MSI)是指由于错配修复或复制错误等引起的简单重复序列的增加或丢失，导致微卫星的长度发生改变。MSI发生的主要原因是参与配对错误修复的基因功能发生缺陷，因而不能正常的校正复制错误，引起微卫星的DNA发生改变，使其不能正常地发挥调控作用。MSI容易导致细胞增殖及分化异常，甚至促发恶性肿瘤形成。与正常组织相比，在肿瘤中的微卫星更容易导致微卫星长度发生改变。MSI根据程度可以被分成3类：微卫星高度不稳定(MSI-H)、微卫星低度不稳定(MSI-L)、微卫星稳定(MSS)。对患者组织样本的病理图片进行MSI分析后获得MSI分数，并进一步判别MSI类别。

研究表明MSI与结直肠癌、胃癌、子宫内膜癌等肿瘤发生密切相关。高微卫星不稳定性MSI-H也是遗传性非息肉病性结直肠癌，即Lynch综合征(Lynch syndrome，LS)，的标志，同时对于以氟尿嘧啶为基础的辅助化疗的Ⅱ期大肠癌患者来说是一个有利预后因子和负预测因子。大约15％的散发性结直肠癌与MSI相关，90％以上的遗传性非息肉病性结直肠癌(HNPCC，也称Lynch综合症)与MSI相关，因此对MSI检测在临床上具有重要意义。

目前常用的微卫星位点稳定性检测方法是基于检测美国国家肿瘤研究所曾经通过的MSI检测的统一检测标准：检测5个重复区域(微卫星位点)的不稳定情况来判定样本的微卫星位点稳定情况。然而，此方法由于成本高、耗时长以及小医院不具备检测条件等诸多原因的限制，使得大量结直肠癌患者没有机会做微卫星不稳定性检测。

基于人工智能技术的结直肠癌微卫星状态分类方法，通过设计针对性的网络架构以及对胃癌病理图像的自主学习，使训练好的神经网络模型可以对结直肠癌微卫星状态进行分类，弥补了传统方法的不足。

然而用于检测结直肠癌微卫星状态的全视野切片图像(WSI)较大，对于一张1cm*1cm的病理切片，在20X的分辨率下，每个pixel大小为0.5um，整张病理切片的分辨率约在20000x20000左右，图像文件大小在1GB左右，普通的计算机很难直接处理，因此需要处理成512x512的小图patch/block/tiles进行运算，但这样处理后，patch图像数量剧增。在这些patch图像中，会存在与识别任务无关的冗余信息，因此需要人工关注图像中的感兴趣部分，获取关键信息，抑制其他无用信息。

现有的方案，或通过人工选择肿瘤区域，或通过预先训练好的肿瘤分割模型选择肿瘤区域，或通过组织分类模型，判断是否为肿瘤，从而减少有效patch的数量，使得可以使用深度学习的方法进行模型训练。

然而，不管是肿瘤分割模型，还是组织分类模型，都需要病理医生事先对病理图像进行了精确的标注后，才能进行模型的与训练，由于图像较大，进而导致了医生标注的工作量较大。而且，该模型的分类精度受训练数据的影响，而病理医生的标注结果的具有一定程度的主观影响，进而会影响后面MSI模型判断的差异。