[发明专利]甲状腺切片图像分类方法、装置、计算机设备和存储介质

说明书

本申请涉及一种甲状腺切片图像分类方法、装置、计算机设备和存储介质。所述方法包括：将甲状腺切片图像划分成图像块后，通过图像块分类模型进行分类，获得所述甲状腺切片图像的概率热图；对所述甲状腺切片图像的概率热图，提取多阶颜色特征输入SVM分类器中进行分类，得到所述甲状腺切片图像为良性或恶性的分类结果。采用本方法能够提高甲状腺切片图像分类的精确度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种甲状腺切片图像分类方法、装置、计算机设备和存储介质。

背景技术

近几十年来甲状腺癌的全球发病率持续上升，增长速度在所有实体瘤中名列前茅，发病率每年以6％的速度递增。目前甲状腺癌仍以手术治疗为主，由于甲状腺术中的冰冻切片对判断甲状腺的良恶性的特异性较高，因此临床上往往依赖常规术中冰冻切片来决定进一步的治疗方案。但在百亿级像素的甲状腺冰冻切片中寻找肿瘤区域并判断切片良恶性对病理医生来说存在极大的挑战，病理医生有可能会因为经验不足或疲劳而对甲状腺冰冻切片解读错误，使患者错过最佳治疗时期。因此可以将深度学习应用在甲状腺冰冻切片良恶性判读方面，辅助医生进行疾病诊断，这样不但可以将医生从枯燥的工作中解放出来，而且降低了疾病误判率。

针对乳腺癌、肺癌等癌症，一些研究已经证明卷积神经网络是检测数字病理切片的有效工具。对于数字病理图像全切片分类问题，即判断数字病理切片中最严重的癌变类型问题，由于百万级像素的数字病理切片无法直接送入卷积神经网络进行训练，大部分研究者采取的做法是从数字病理切片中提取N×N大小的图像块作为训练数据，然后训练卷积神经网络充当图像块分类器，在预测时使用N×N大小的窗口从左到右、从上到小划过数字病理切片，并使用图像块分类器对划过的窗口尽行分类，最后综合图像块级别的分类结果得到全切片的分类结果，可以看到训练的图像块分类器的准确与否直接决定数字化病理切片分类结果的好坏。但是目前大部分先进的分类网络对图像块分类时存在严重的漏诊，这是因为甲状腺切片中细胞形态存在多样性，部分良性肿瘤区域甚至正常区域和恶性肿瘤区域具有相似的视觉特征。正是由于细胞形态的多样性直接导致了图像块分类器存在严重的漏诊情况，从而间接导致了全切片分类存在严重的漏诊情况。但是在临床诊断中将甲状腺恶性肿瘤判断为甲状腺良性肿瘤甚至是正常组织是不允许出现的，因为这样的漏诊将会直接导致病人错过最佳治疗时期。

总之，现有技术中根据甲状腺切片图像对甲状腺肿瘤良恶的判断方法，易将恶性肿瘤判断为良性肿瘤的概率较高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高模型分类精度的甲状腺切片图像分类方法、装置、计算机设备和存储介质。

一种甲状腺切片图像分类方法，所述方法包括：

将甲状腺切片图像划分成图像块后，通过图像块分类模型进行分类，获得所述甲状腺切片图像的概率热图；

对所述甲状腺切片图像的概率热图，提取多阶颜色特征输入SVM分类器中进行分类，得到所述甲状腺切片图像为良性或恶性的分类结果。

在其中一个实施例中，对所述甲状腺切片图像的概率热图，提取多阶颜色特征输入SVM分类器中进行分类，得到所述甲状腺切片图像为良性或恶性的分类结果，包括：对所述甲状腺切片图像的概率热图，提取一阶颜色矩、二阶颜色矩和三阶颜色矩，得到所述甲状腺切片图像的切片级特征；将所述切片级特征输入SVM分类器中进行分类，得到所述甲状腺切片图像为良性或恶性的分类结果。

在其中一个实施例中，所述将甲状腺切片图像划分成图像块后，通过图像块分类模型进行分类，获得所述甲状腺切片图像的概率热图，包括：

获取预设放大倍数下甲状腺切片图像；

将所述甲状腺切片图像划分成多个互不重叠的预设大小的图像块；

对所述图像块，通过图像块分类模型进行分类，获得所述图像块为恶性肿瘤的概率；所述图像块分类模型训练过程中，采用优化损失函数，通过反向传播算法调整模型参数；