[发明专利]基于局部分类神经网络的癌症WSI的分割方法

权利要求书

1.一种基于局部分类神经网络的癌症全视野数字病理切片的分割方法，其特征在于，具体步骤为：

（1）病理切片分块；

首先对病理切片图像根据RGB三通道中的G通道使用大津法作阈值分割去除白色背景，得到需要分析的组织大致位置的掩膜；随后对全图进行分块，分为长宽皆为256个像素的不重叠图像块，仅取位于掩膜中的图像块作为分析的对象；

（2）构建局部图像分类网络模型，对图像块进行分类；

所述局部图像分类网络模型是在ResNet18基础上去除后两个卷积块及全连接层，再加上一层全连接层构建得到；利用此网络对所裁剪的图像块进行分类，得到分类的输出；

其中，将执行分类任务的模型分为两个独立的部分：一是用于区分肿瘤区域、癌旁区域的二分类器；另一个是用于区分淋巴聚集区域、坏死区域、其它区域的三分类器；二分类器输出为一个值，激活函数为sigmoid函数，表示癌旁区域的置信度，置信度高则表示该图像块属于癌旁区域，反之则属于肿瘤区域；三分类器的全连接层输出为长度为3的向量，激活函数为softmax函数，最终输出得到的3维向量中的每个元素依次对应其它区域、淋巴密集区域、坏死区域的置信度，取置信度高者作为分类结果；

（3）病理切片全局热图后处理；

对所得分类结果按图像块在病理切片中的坐标位置组合为两幅热图，分别对应二分类器与三分类器的结果；对两幅热图分别进行中值滤波，随后去除热图中面积小的区块，滤波器的大小及面积阈值视需求与实际情况而定。

2.根据权利要求1所述的的分割方法，其特征在于，分类网络模型的训练流程如下：

首先，根据标注对每张病理切片的不同区域裁剪若干不重合的图像块，图像块长宽皆为256个像素，存储后作为数据集；使用上述图像块构成的数据集分别对二分类器及三分类器进行训练；

其中，二分类器训练样本至少包括240张病理切片，裁剪出肿瘤区域图像块10万张，癌旁区域图像块14万张；三分类器训练样本至少包括80张病理切片，裁剪出淋巴密集区域24万张，坏死区域图像块18万张，其它区域图像块38万张；图像块长宽皆为256个像素。