[发明专利]基于深度学习的病理图像处理方法、模型训练方法及装置

说明书

本申请公开了一种基于深度学习的病理图像处理方法，包括：获取待处理的目标对象的病理图像；对待处理的目标对象的病理图像进行分块处理，以得到分块图像集合；对分块图像集合进行特征分类提取处理，得到N个第一特征集合、N个第二特征集合以及N个第三特征集合；生成与目标对象所对应的目标融合特征；调用病理图像分析模型对目标融合特征进行分析处理，以输出待处理的目标对象的病理分析结果。本申请还公开了一种模型训练方法。本申请可以直接利用病理图像预测病灶转移的风险，相较于生物检测技术，能够减少等待检测结果的时间，提升检测效率，还能避免因实验误差和操作误差等不可控因素带来的误差，从而提供更为精准的检测结果。

技术领域

本申请涉及人工智能领域，尤其涉及基于深度学习的病理图像处理方法、模型训练方法及装置。

背景技术

结直肠癌作为一种恶性肿瘤，发病率和死亡率均较高。结直肠癌症患者体内，随着原发灶癌细胞浸润，逐层突破肠壁，有可能浸润至肠附近淋巴结，进一步通过淋巴系统转移至远处淋巴结。在结直肠癌症切除手术前，需要对淋巴结转移进行准确预测，从而辅助医生术前决策，判定是否清扫癌症区域附近肠系淋巴结。

目前，对于淋巴结转移预测这一任务，可以采用结直肠癌淋巴结转移预测的技术。主要为基于前期实验筛选并验证的生物标志物(biomarker)，建立体外检测试剂盒，提取患者血液，在试剂盒中检测相应的核糖核酸(ribonucleic acid，RNA)，从而确定淋巴结转移情况。

然而，采用上述结直肠癌淋巴结转移的预测技术会存在较多不可控因素，试剂盒中包含提取分离外泌体的实验，反转录的实验以及荧光定量聚合酶链式反应的实验，而这一系列的实验会因为医院操作者而异，导致结果具有较大的实验误差和操作误差。

发明内容

本申请实施例提供了一种基于深度学习的病理图像处理方法、模型训练方法及装置，可以直接利用病理图像预测病灶转移的风险，相较于生物检测技术，能够减少等待检测结果的时间，提升检测效率。与此同时，还能避免因实验误差和操作误差等不可控因素带来的误差，从而提供更为精准的检测结果。

有鉴于此，本申请第一方面提供一种基于深度学习的病理图像处理方法，包括：

获取待处理的目标对象的病理图像；

对待处理的目标对象的病理图像进行分块处理，以得到分块图像集合，其中，分块图像集合包括N个分块图像，N为大于或等于1的图像；

对分块图像集合进行特征分类提取处理，得到N个第一特征集合、N个第二特征集合以及N个第三特征集合，其中，第一特征集合包括至少一个与分块图像形态关联的特征，第二特征集合包括至少一个与细胞核形态关联的特征，第三特征集合包括至少一个与细胞核位置关联的特征；

将经分类提取处理后的N个第一特征集合、N个第二特征集合以及N个第三特征集合按预设规则进行特征融合处理，生成与目标对象所对应的目标融合特征，其中，融合特征包括P个元素，P为大于1的整数；

调用病理图像分析模型对目标融合特征进行分析处理，以输出待处理的目标对象的病理分析结果。

本申请第二方面提供一种模型训练方法，包括：

获取待训练病理图像集合，其中，待训练病理图像集合包括至少一个正样本病理图像以及至少一个负样本病理图像；

针对待训练病理图像集合中的每个待训练病理图像，获取待训练分块图像集合，其中，待训练病理图像属于正样本病理图像或负样本病理图像，待训练分块图像集合包括N个待训练分块图像，N为大于或等于1的图像；