[发明专利]组织级别的全视野数字切片的基于小样品学习的图像识别

说明书

提供了一种计算机实施的方法，该方法在数字图像中生成至少一种形状的感兴趣区域。该方法包括：通过图像处理引擎获得对生物样品的数字组织图像的访问；通过该图像处理引擎将该数字组织图像平铺为图像补丁集合；通过该图像处理引擎从该图像补丁集合中的每个补丁中获得多个特征，该多个特征在包括该多个特征作为维度的多维特征空间中定义补丁特征向量；通过该图像处理引擎确定该图像补丁集合中的用户选择的补丁子集的用户选择；通过将经训练的分类器应用于该补丁集合中的其他补丁的补丁向量，将这些其他补丁分类为属于或不属于与该用户选择的补丁子集相同的感兴趣分类；以及至少部分地基于该分类的结果来识别一个或多个感兴趣区域。

相关申请的交叉引用

本申请要求于2017年9月12日提交的美国临时申请号62/557,737的优先权，并且涉及于2017年10月23日提交的美国申请号15/791,209和于2016年10月21日提交的美国临时申请号62/411,290，其中每个专利之前都已向美国专利商标局提交。上述申请以及在本申请中引用的所有其他文献均通过引用以其全文并入本文。

引言

本发明的技术总体上涉及识别，并且对于一些实施例，涉及图像识别。在一些实施例中，该技术涉及组织病理学、组织的显微镜检查，以用于确定组织是否病变和/或研究病变的组织。可以从身体的任何部位移除组织，这些部位包括例如乳房肿块，肠、肾、肝、子宫内膜、肺、胸、淋巴结、肌肉、神经、皮肤、睾丸、甲状腺等的标本。

在一些实施例中，本公开的技术涉及识别数字图像内的感兴趣区域，例如，从背景场景中识别出前景对象，或识别数字组织病理学图像内的癌细胞。癌细胞中的癌症类型可以包括但不一定限于乳腺癌、膀胱癌、脑癌、肺癌、胰腺癌、皮肤癌、结肠直肠癌、前列腺癌、胃癌、肝癌、宫颈癌、食道癌、白血病、非霍奇金淋巴瘤、肾癌、子宫癌、胆管癌、骨癌、卵巢癌、胆囊癌、胃肠道癌、口腔癌、喉癌、眼癌、骨盆癌、脊髓癌、睾丸癌、阴道癌、外阴癌、以及甲状腺癌。感兴趣的区域/感兴趣的分类还可以更广泛，并且包括异常组织、良性组织、恶性组织、骨组织、皮肤组织、神经组织(nerve tissue)、间质组织、肌肉组织、结缔组织、瘢痕组织、淋巴组织、脂肪、上皮组织、神经组织(nervous tissue)、以及血管。

可以在多种环境下从受试者收集组织，包括活检、手术或尸检。从受试者移除组织之后，将组织置于固定剂(如福尔马林)中以防止组织腐烂，从而准备进行化学固定。然后将组织冷冻或放入熔融蜡中。然后切割组织切片并将其放在载玻片上。

一旦将组织切片放在载玻片上，病理学家就会通过显微镜查看载玻片，以确定例如组织是否病变，并且如果病变，则确定疾病的阶段。例如，病理学家可以确定乳房肿块是否包括乳腺癌细胞，并且如果包括，则病理学家可以确定癌症的等级和/或阶段。除了是否病变之外，病理学家还可以做出关于组织的其他确定。例如，病理学家可以确定组织是否包括淋巴细胞。然而，这些确定存在一个技术问题，即，它们通常不可靠、昂贵、费时，并且通常需要由多个病理学家进行验证，以将错误确定的可能性降到最低。

该技术问题的一种解决方案是使用计算机视觉通过训练神经网络(或其他机器学习系统)来确定组织特性(比如癌症的类型和/或等级)，以确定组织的数字图像是否病变，并且确定病变的类型(例如，乳腺癌)和/或阶段(例如，阶段3)。然而，这种方法存在一个技术问题，例如，它需要针对每种疾病的大量训练数据(例如，将需要各种癌症的大量阳性和阴性训练补丁)。

本发明的一些实施例解决了上述技术问题，并提供了一种使用神经网络(更具体地，卷积神经网络)和支持向量机并结合有限的输入(比如来自病理学家或其他人或实体)来确定组织是否可能病变的技术解决方案。

附图说明

专利或申请文件包含至少一张彩色附图。本专利或专利申请公开的带有一个或多个彩色附图的副本将根据要求并且并支付必要的费用后由官方提供。

图1展示了可以实施本发明实施例的一个或多个方面的分布式计算机系统的框图；