[发明专利]一种基于自监督元学习的多染色肾脏病理图像分割方法

说明书

本发明涉及一种基于自监督元学习的多染色肾脏病理图像分割方法，属于人工智能辅助医疗检查技术领域，包括以下步骤：S1、获取不同染色的肾脏病理切片的全视野病理照片，同时每种染色随机挑选2～5张进行像素级的人工标注；S2、通过无标注样本训练自监督预训练模型；S3、以训练完成的自监督预训练模型为一级模型，以U‑Net结构作为骨干网络构建二级模型，通过元训练集对二级模型进行训练，通过元测试集对二级模型进行测试并更新一级模型的权重参数；重新选取染色样本重复上述测试和训练过程，得到的一级模型作为元学习分割模型；S4、通过元学习分割模型对待测病理切片进行分割。本发明可以对不同染色的肾脏病理切片感兴趣区域进行高效分割。

技术领域

本发明涉及一种基于自监督元学习的多染色肾脏病理图像分割方法，属于人工智能辅助医疗检查技术领域，具体涉及一种利用肾病患者的穿刺样本在病理切片扫描仪中得到的全视野图像作为分析数据，并通过元学习与语义分割算法对图像中的感兴趣区域以极少训练成本进行自动分割的方法。

背景技术

在肾脏病理全视野图片中，肾小球、硬化肾小球、肾小管和小血管是其感兴趣区域，且不同的感兴趣区域在不同的染色方式上呈现不同的形态。在慢性肾病的病理诊断过程中，病理医师首先需要在多种染色的高分辨率全视野切片中定位并观察每一个感兴趣区域，再判断感兴趣区域中是否发生病变。然而，肾脏病理切片中感兴趣区域位置不固定且数量繁多，病理医师观察病理切片时需要在多种染色上频繁放大缩小光学显微镜的倍数去逐一寻找感兴趣区域的位置。如此落后且繁琐的技术导致肾脏病理的智能辅助诊断难以即时展开，从而慢性肾病患者的就诊效率极低，拿到病理结果需要长达一周左右。低效的诊断效率阻碍着慢性肾病病理诊断的发展。

专利申请号202110590511.8的已公开发明专利提出了一种基于深度学习的肾小管萎缩区域识别的方法与系统，其利用实例分割方法对肾脏病理全视野切片中的萎缩肾小管区域进行分割；专利申请号202010560815.0的已公开发明专利提出了一种基于病理图像与深度学习的智能检测方法与系统，其利用FasterR-CNN方法对肾脏病理全视野切片中的肾小球进行检测；专利申请号202011119567.2的已公开发明专利提出了一种基于AI技术肾脏病理图像分割模型、方法及系统，其通过构建U-net全卷积网络对肾脏病理全视野切片中的肾小球进行分割。然而一方面由于在病理诊断中，病理医师需要同时观察多种染色方式下的多种感兴趣区域，已得到肾病患者的综合诊断。现有的基于人工智能的肾脏病理切片感兴趣区域识别方法往往对单一染色下的单一感兴趣区域进行识别或分割，不具备临床使用条件。另一方面，肾脏病理全视野切片的大小通常在10亿像素左右，若对每一种染色的每一个感兴趣区域进行大量标注是十分困难的，且如附图2所示，来自于不同染色的组织形态差异较大，模型难以直接迁移，导致人工智能在肾脏病理领域的应用十分困难，因此目前无法实现对多染色肾脏病理多种感兴趣区域进行少样本分割，限制了人工智能在医学图像识别中的应用。

发明内容

本发明针对在多种染色下肾脏病理多种感兴趣区域分割的迫切需求，以及目前肾脏病理感兴趣区域分割算法由于标注成本高导致染色方式与感兴趣区域分割单一的问题，提供一种基于自监督元学习的多染色肾脏病理图像分割方法。

为了解决上述技术问题，本发明采用的技术方案为：一种基于自监督元学习的多染色肾脏病理图像分割方法，包括以下步骤：

S1、获取肾脏病理切片的全视野病理照片，同时每种染色随机挑选2～5张数字病理切片，对其中的肾小球、硬化肾小球、肾小管、血管的形状进行像素级的人工标注，得到不同染色下的标注样本；

S2、获取无标注样本，训练自监督预训练模型；