[发明专利]一种自动确认浸润性乳腺癌区域系统

权利要求书

1.一种自动确认浸润性乳腺癌区域系统，其特征在于，包括：

数据准备模块，用于对来源于同一个乳腺肿瘤组织的输入数据以此进行染色制片流程以及数字化成像，输出HE染色的WSI图像、P63染色的WSI图像以及IHC染色的WSI图像；

智能分析模块，用于对数据准备模块所输出的WSI图像进行处理，最终在已完成IHC染色的WSI图像上确定IDC区域；

所述智能分析模块包括：

癌巢区域确定模块，用于从HE染色的WSI图像上确定癌巢区域；

DCIS区域确定模块，用于从P63染色的WSI图像上确定DCIS区域；

单模多源图像配准模块，用于将HE染色的WSI图像、P63染色的WSI图像以及IHC染色的WSI图像三者在同一坐标系中配准；

多源数据融合模块，用于将癌巢区域确定模块、DCIS区域确定模块以及单模多源图像配准模块三者的输出结果进行融合并最终在IHC染色的WSI图像上确定IDC区域。

2.根据权利要求1所述的一种自动确认浸润性乳腺癌区域系统，其特征在于：所述染色制片流程为标准组织切片制片流程，所述数字化成像通过支持病理切片数字化扫描的仪器来完成。

3.根据权利要求1所述的一种自动确认浸润性乳腺癌区域系统，其特征在于：所述癌巢区域确定模块的运行包括以下步骤：

步骤a1：训练一个癌巢分割模型网络，提取HE染色WSI图像1倍图中的有效组织轮廓，映射到HE染色WSI图像40倍图中，并提取对应的有效组织区域；

步骤a2：将所提取的有效组织区域按照重叠128个像素的方式重叠采样，并将重叠采样后的图像裁剪成若干个1024*1024的Patch；

步骤a3：将步骤a2所得到的Patch输入一个GAN组成的超分辨率重建的网络，得到超分辨率重建生成的Patch；

步骤a4：将超分辨率重建生成的Patch输入一个训练完成的癌巢分割模型网络，对每一个Patch生成一个二值图像Mask；

步骤a5：对于每个生成的Mask图像按照其原始的坐标裁剪，再进行图像的拼接；

步骤a6：对拼接完成的整个有效组织区域的Mask进行形态学操作，开运算，再进行二值图像中轮廓的分层级操作，得到包含层级关系的若干个轮廓区域；

步骤a7：将所得到的轮廓区域等比例缩放回40倍的HE染色WSI图像中，并绘制所分割出来的癌巢区域轮廓。

4.根据权利要求3所述的一种自动确认浸润性乳腺癌区域系统，其特征在于：所述癌巢分割模型网络为FCN语义分割深度卷积神经网络。

5.根据权利要求3所述的一种自动确认浸润性乳腺癌区域系统，其特征在于：步骤a5中所述的拼接的方式是采取逻辑或操作。

6.根据权利要求1所述的一种自动确认浸润性乳腺癌区域系统，其特征在于：所述DCIS区域确定模块的运行包括以下步骤：

步骤b1：输入P63染色的WSI图像，对P63染色的WSI图像进行分析，选择P63染色的WSI图像中目标的整体特征和目标的局部特征，并将整体特征制作成所对应的两个标签，所述两个标签分别为标签1和标签2，标签1所对应的是目标的整体特征，标签2所对应的是目标的局部特征，标签1表示原位癌区域，标签2表示原位癌的边界区域；

步骤b2：建立DCIS分割模型网络，所述DCIS分割模型网络包括一个语义分割网络，由两个任务共享所述语义分割网络，所述两个任务分别为主任务及辅助任务，所述主任务由标签1监督学习，所述辅助任务由标签2监督学习，然后通过所述语义分割网络输出预测图像并通过两个任务分别计算得出loss1以及loss2，loss1由主任务计算得出，loss2由辅助任务计算得出，loss1为目标的整体区域损失函数，loss2为目标的局部区域损失函数；

步骤b3：将loss2作用于loss1得到loss；

步骤b4：保持目标区域权重为1，增强背景区域的权重，增强目标局部区域的权重，输出结果。