[发明专利]基于DCNN的癌症全视野数字病理切片生存分析方法

说明书

本发明属于医学图像智能处理技术领域，具体为一种基于DCNN的癌症全视野数字病理切片生存分析方法。本发明方法包括，从病理切片中淋巴密集区域、坏死区域、肿瘤区域分别取若干图像块，同切片的全局分割一起送入一个卷积神经网络通过前向传播获得该切片的生存时间分布。可从预测所得生存时间分布中获得患者在若干个时间区间的死亡概率，通过累加可获得患者在若干时间节点前的生存概率。本发明以切片局部的图像以及全局的组织分布作为输入，输出患者的生存时间分布，帮助医生估计患者的预后状况，从而辅助癌症早期临床诊断。

技术领域

本发明属于医学图像智能处理技术领域，具体涉及一种病理切片生存分析方法，更具体地说，涉及一种基于卷积神经网络的癌症全视野数字病理切片生存分析方法。

背景技术

随着全切片扫描技术的发展，大量组织切片被扫描为全视野数字病理切片(Wholeslide image,WSI)，以数字化的形式存储，并广泛应用于癌症病理诊断之中。专业医生虽然能够通过对WSI进行分析完成诊断，但由于WSI尺寸极大，医生难以关注到其中的所有细节。同时，影响癌症预后的因素非常多，医生也难以通过病理切片对病人预后的相关信息进行分析。

而通过使用机器学习算法，将计算机运用于病理切片分析之中，能够借助计算机的算力优势在大量WSI上进行学习，并使用训练所得的模型对WSI进行分析，将结果可视化后辅助医生进行诊断，从而充分利用WSI中包含的丰富图像信息。

深度卷积神经网络(Deep convolutional neural network,DCNN)是一种机器学习技术，可以有效避免人为因素，自动从有标记的大量数据中学习如何提取丰富的具有代表性的视觉特征。该技术使用反向传播优化算法，让机器更新其内部参数，学习输入图像到标签的映射关系。近年来，DCNN大大提高了计算机视觉中各项任务的性能。

2012年，Krizhevsky等人^[1]首次在ImageNet^[2]图像分类比赛中应用深度卷积神经网络，并以15.3％的Top-5错误率获得冠军，引起了深度学习的热潮。2015年，Simonyan等人^[3]提出了16和19层的神经网络VGG-16和VGG-19，增加了网络的参数量，进一步提升了ImageNet图像分类任务的结果。2016年，He等人^[4]使用152层的残差网络ResNet取得了超过了人眼的分类效果。

DCNN不仅在图像分类任务中有卓越的表现，在一些结构化输出的任务中，如物体检测^[5-7]、语义分割^[8,9]中也同样取得了卓越的效果。如果将DCNN应用在计算机辅助诊断(computer aided diagnosis，CAD)中，则可以辅助医生做出更好的医疗诊断，早发现、早治疗，提高治疗效果。

生存分析旨在对样本与观测事件发生时间的关系建立模型。而医学任务中常用的传统生存分析方法Cox比例风险模型^[10]假设样本与生存状态之间的关系与时间无关，并且用线性拟合回归一个时间无关的风险率，即假设样本各个特征对风险率的影响是线性的。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于卷积神经网络(DCNN)的癌症全视野数字病理切片(WSI)生存分析方法，排除人为因素影响，实现对全视野数字病理切片的自动生存分析。

本发明提出基于卷积神经网络的癌症全视野数字病理切片(WSI)的生存分析方法，具体步骤包括：

(1)病理切片采样