[发明专利]基于强化学习和深度神经网络的病理图像自动标注方法

说明书

本发明公开了基于强化学习和深度神经网络的病理图像自动标注方法，包括以下步骤：对染色标准化的原始病理图像进行多尺度超像素划分，并标记超像素的上皮概率阈值；构建超像素分类训练集；采用基于机器学习方法训练标记后的超像素得到学习模型，学习模型对测试图像中的超像素进行分类，并由病理医生对分类结果给予奖励和惩罚，将奖励和惩罚结果反馈给学习模型，学习模型通过奖惩机制重新做出调整；采用预先制定的方法构建端到端标注模型的训练集；采用基于深度神经网络的端到端学习，自动对组织区域标注分割；构建标注模型；使用预先配置好的真实数据对构建的标注模型进行测试。有益效果：能够快速、准确、自动标注不同组织区域的学习模型。

技术领域

本发明涉及病理图像标注技术领域，具体来说，涉及基于强化学习和深度神经网络的病理图像自动标注方法。

背景技术

病理图像的不同局部区域与患病原因及严重等级之间有着密切联系，然而，随着病理图像规模的不断增大，图像的分辨率不断增加，而有经验的阅片病理医生十分匮乏，且医生阅片具有一定的主观性，难以达成一致。从而导致现阶段医院阅片周期长、准确率低等问题。因此，如何借助人工智能、深度学习等技术，有效地对病理图像各类局部区域进行快速准确的标注，从而为病变、癌症等疾病的检测和诊断选择出最有价值的诊断区域，是现阶段医学领域和人工智能领域迫切研究的问题。

近年来国内外最常见的是通过将疑似癌变组织制成染色切片，再由专业的病理医师进行手工勾画标注。病理图像标注旨在医生进行诊断之前为其自动标注各个组织区域，比如上皮、腺腔、动脉、间质等组织区域。但人工标注费时费力，主观性和疲劳导致了不可忽视的误差，随着临床需求的不断增长，病理医生的压力也与日俱增。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出基于强化学习和深度神经网络的病理图像自动标注方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

基于强化学习和深度神经网络的病理图像自动标注方法，包括以下步骤：

步骤S1：采用预设规则对染色标准化的原始病理图像进行多尺度超像素划分，并标记所述超像素的上皮概率阈值；

步骤S2：采用预设方法构建所述超像素分类训练集，构成测试图像；

步骤S3：采用基于机器学习方法训练步骤S1与步骤S2标记后的所述超像素得到学习模型，所述学习模型对所述测试图像中的超像素进行分类，并由病理医生对分类结果给予奖励和惩罚，将奖励和惩罚结果反馈给所述学习模型，所述学习模型通过奖惩机制重新做出调整，循环直至所述学习模型达到最优，获得所述原始病理图像中组织区域的标注信息；

步骤S4：采用预先制定的方法构建端到端标注模型的训练集；

步骤S5：采用基于深度神经网络的端到端学习，自动对组织区域标注分割；

步骤S6：构建标注模型；

步骤S7：使用预先配置好的真实数据对构建的所述标注模型进行测试。

进一步的，所述超像素划分采用SILC算法，其具体步骤如下：

初始化种子点：按照设定的超像素个数，在所述原始病理图像内均匀的分配初始种子点；

在所述初始种子点的n*n邻域内重新选择二次种子点；

在每个二次种子点周围的邻域内为每个像素点分配类标签；

距离度量：对于每个搜索到的像素点，分别计算它和该二次种子点的距离；

迭代优化；

增强连通性；