[发明专利]一种基于病理组织切片图像组织区域的图像处理装置

说明书

本发明提供一种基于病理组织切片图像组织区域的图像处理方法及装置，该方法包括：步骤1，对病理组织切片图像进行预处理，得到子图像块；步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；步骤3，量化临床就诊信息；步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；步骤5，采用分类器对所述融合特征进行分类。该装置包括：预处理模块，特征提取模块，分类模块，量化模块，数据融合模块。该方法及装置克服了现有技术中病理组织切片图像的组织区域检测效果不佳的问题。

技术领域

本发明涉及计算机辅助诊断领域，更具体地，涉及基于病理组织切片图像组织区域的图像处理方法及装置。

背景技术

目前，密集的人口和旺盛的求医需求，使得病理医生面临着繁重的任务。因此，基于病理组织切片图像的计算机辅助诊断技术尤为迫切。

中国发明专利“CN102214294A图像处理设备、图像处理方法以及程序”提供了一种针对病理图像的处理设备，该设备通过传统图像处理方法预先学习细胞组织检测器，检测病理图像中的细胞组织区域。该发明通过计算亮度差别特征量，并将其作为病理图像的每个像素特征量的传统方法，这种传统方法仅可用于细胞检测这种特征非常明显的区域检测，而对于组织区域的检测则效果不佳。此外，中国发明专利“CN105931226A基于深度学习的自适应椭圆拟合细胞自动检测分割方法”公开了一种基于深度学习的自适应椭圆拟合细胞自动检测分割方法。该方法处理的对象仍然是细胞层面的自动检测，对于组织层面的检测分割仍需进一步研究。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于病理组织切片图像组织区域的图像处理方法及装置。

根据本发明的一个方面，提供一种基于病理组织切片图像组织区域的图像处理方法，包括：步骤1，对病理组织切片图像进行预处理，得到子图像块；步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；步骤3，量化临床就诊信息；步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；步骤5，采用分类器对所述融合特征进行分类。

根据本发明的另一个方面，提供一种病理组织切片图像计算机辅助诊断装置，所述装置包括：预处理模块，用于对病理组织切片图像进行预处理，得到子图像块；特征提取模块，用于基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征；分类模块，用于根据病理组织切片图像特征对病理组织切片图像进行预分类，获取异常的病理组织切片图像；量化模块，用于量化临床就诊信息；数据融合模块，用于对异常的病理组织切片图像特征和所述临床就诊信息进行多源数据融合技术得到融合特征；所述分类模块还用于对所述融合特征进行分类。

本申请提出一种基于病理组织切片图像组织区域的图像处理方法。该方法通过对病理组织切片图像的预处理、提取特征然后整合并预分类筛选出异常的病理组织切片图像，实现了病理组织切片图像在组织层面的自动检测。

进一步地，通过将异常的病理组织切片图像的图像特征和临床就诊信息，采用多源数据融合技术并分类，从而得到异常的病理组织切片图像的进一步分类结果，用于医生进行诊断的参考资料，大大减少了病理医生的工作量。

该方法克服了现有技术中病理组织切片图像的组织区域检测效果不佳的问题。通过对大量的患者病例进行预处理，筛选出正常的病例，并对异常的病例做出进一步的详细诊断，减轻了病理医生负担，提高了诊断效率，同时也降低了病理医生因过度劳累而出现误诊的概率。

附图说明

图1为根据本发明实施例基于病理组织切片图像组织区域的图像处理方法的基本流程图；

图2为本发明实施例采用的结肠癌病理图像；