[发明专利]一种甲状腺肿瘤病理组织切片图像分类方法及其装置

说明书

本发明公开了一种甲状腺肿瘤病理组织切片图像分类方法及其装置，所述方法包括：获取已分类的甲状腺肿瘤病理组织切片原始图像集；在每张原始图像中自动截取若干张含有细胞的区域图像作为子图像集；将子图像集全部或部分作为训练集；构建初步卷积神经网络模型；用训练集训练初步卷积神经网络模型，获得成熟卷积神经网络模型；用成熟卷积神经网络模型对待分类的甲状腺肿瘤病理组织切片图像进行分类。采用高斯拉普拉斯算子特征去匹配病理组织切片中的细胞核从而找到细胞的位置，在细胞较多的区域实施自动化图像截取，从而实现全自动的细胞图像分类和癌症诊断，可以大量减少医生在审理病理组织切片时候的工作量，提高诊断准确率。

技术领域

本发明涉及人工智能和图片识别领域，特别涉及一种基于深度学习的全自动甲状腺肿瘤病理组织切片图像分类方法及其装置。

背景技术

深度学习是目前人工智能领域用于图像识别的最契合、应用最广泛的算法，其模仿人类大脑的工作机制，是通过建立卷积神经网络对外部输入的数据进行自动化特征提取，从而能够使机器理解学习数据，获得信息并输出。目前，基于深度学习的人工智能已应用于各个行业领域，包括语音识别、人脸识别、车标识别、手写汉字识别等。

在医疗诊断过程中，对手术切除后的肿瘤标本进行病理诊断是肿瘤诊断的金标准，诊断结果将影响手术后的后续治疗方案。目前绝大部分的病理组织切片是由人工制作，并由病理医生结合自身长期积累的临床诊断经验来分析和判断。甲状腺癌是我国近年来发病率升高最快的肿瘤之一，现为我国城市女性第四位最常见的恶性肿瘤，也是30岁以下女性最常见的恶性肿瘤。对手术切除的甲状腺肿瘤标本进行病理组织学检查是诊断甲状腺癌的金标准。

甲状腺肿瘤病理类型复杂，主要包括良性肿瘤和恶性肿瘤(即甲状腺癌)，其中，良性甲状腺肿瘤包括结节性甲状腺肿和甲状腺腺瘤；甲状腺癌包括乳头状癌、滤泡性癌、髓样癌和未分化癌，不同的病理类型有不同的术后治疗方案，病理诊断误诊将造成严重后果。

病理组织学检查是通过手术中切除甲状腺肿瘤并制备成病理切片标本，置于光学显微镜下直接观察癌细胞，是诊断甲状腺癌的“金标准”。病理组织学检查可全面了解甲状腺癌的分型、分期、淋巴结转移情况等，为术后辅助治疗和预后提供依据。提高甲状腺癌病理诊断准确率改善甲状腺癌预后的关键。

病理组织学方法诊断甲状腺癌的缺点主要是：病理切片图片的结果判断是由病理医生肉眼观察所得，这种人工阅片方法与病理医生自身经验、工作状态等主观因素密切相关，容易产生误差。甲状腺癌的组织病理学分型繁多，病理标本切片形态复杂，对于经验不足的病理医生更容易漏诊、误诊。同时，病理医生要负责检查切片上的所有可见的生物组织，而每个病人都会有许多切片，在进行100倍放大时每个切片都有100多亿的像素，因此人工阅片工作量极大，容易受阅片者主观情绪和疲劳阅片等因素的影响。而且，不同的病理学家对同一病人可能给出相当不同的诊断结论。因此，这种高度依赖人为因素的病理组织学诊断方法具有主观差异性，加上其工作强度大、时间成本高且诊断不一致性等缺点，很大程度上会影响甲状腺癌的早期诊治从而影响患者预后。另外，培养合格专业的病理医生需要进行长期的专业培训和实践过程，培养周期长，且易受当前社会经济、文化等社会因素的影响，意味着我国乃至全世界病理医生数量“供不应求”、职业缺口大的严峻形势亟需解决。

因此，利用深度学习技术对甲状腺癌病理图片进行处理和研究，能为医生提供有用的参考信息，辅助医生及时地对甲状腺肿瘤患者做出准确的诊断。

近年来，深度学习，特别是卷积神经网络在图像识别领域产生了巨大的突破。经过用海量的图片进行训练后，卷积神经网络在图片分类任务上的准确率超过了人类。医院拥有大量的甲状腺癌病理图片，拥有大量的专业医师对其良恶性进行准确的标注，对甲状腺癌病理切片图片采用深度学习方法进行甲状腺癌诊断可以取得很好的效果。